| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 10 / 14
Na začetekNa prejšnjo stran12Na naslednjo stranNa konec
1.
S strojnim učenjem podprta analiza znanstvenih revij in avtorjev
Tevž Šart, 2021, magistrsko delo

Opis: V sklopu magistrske naloge smo se osredotočili na problematiko iskanja primernih revij za objavo znanstvenih člankov različnih avtorjev. V prvem delu smo se osredotočili na pridobivanje znanja iz nestrukturiranih podatkov. Za pridobivanje uporabnega znanja smo uporabili način besedne vložitve. V drugem delu smo se osredotočili na izgradnjo programske rešitve za vektorizacijo znanstvenih člankov in revij. Namen magistrske je bil ugotoviti, ali lahko s pomočjo strojnega učenja in tehnike vektorizacije besedila ugotovimo podobnosti med znanstvenimi članki različnih avtorjev in revij ter na takšen način ugotovimo, ali avtor objavlja svoje znanstvene članke v pravilnih revijah. Vhodni korpus smo pridobili iz spletne baze znanstvenih člankov Scopus. S pomočjo rezultatov programske rešitve smo opravili analizo, s pomočjo katere smo pridobili odgovore na zastavljena raziskovalna vprašanja ter posledično sprejeli ali zavrgli hipoteze.
Ključne besede: doc2vec, tf-idf, besedne vložitve, vektorizacija besedila, obdelava naravnega jezika
Objavljeno: 20.04.2021; Ogledov: 77; Prenosov: 10
.pdf Celotno besedilo (1,52 MB)

2.
Umetna inteligenca – trenutni in prihodnji izzivi bančništva
Jasmina Gergorec, 2020, diplomsko delo

Opis: Uporaba orodij za umetno inteligenco se je v zadnjem času stopnjevala v vseh gospodarskih panogah, med drugim tudi zaradi naraščajočega obsega digitalnih podatkov in vse večje računalniške zmogljivosti. Umetna inteligenca spreminja vse vidike poslovanja, tudi v bančništvu. Banke si danes ne morejo več privoščiti dolge čakalne vrste in pogoste obiske njihovih poslovalnic. Potrebujejo preobrazbo, da bi lahko sledile pričakovanjem svojih strank. Poglobljeno in strojno učenje so izboljšale izkušnje s strankami. Umetna inteligenca vključuje obdelavo naravnega jezika, prepoznavanje govora in strojni vid. Na izbiro imamo več vrst tehnik, ene izmed teh so: nevronske mreže, genetski algoritem ali mehka logika. Motivi za uvajanje umetne inteligence v bančništvo so predvsem odpravljanje človeških napak, boljši regulativni nadzor, hitrejše prepoznavanje in obvladovanje tveganj, prepoznavanje goljufij, boljša finančna varnost, kar se odraža pri nižjih stroških poslovanja ter predstavlja konkurenčno prednost posamezne banke.
Ključne besede: Umetna inteligenca, bančništvo, chatbot, strojno učenje, obdelava naravnega jezika
Objavljeno: 30.11.2020; Ogledov: 190; Prenosov: 51
.pdf Celotno besedilo (620,32 KB)

3.
Uporaba vektorske vgradnje za inteligentno obdelavo slovenskega besedila
Urban Strnišnik, 2020, magistrsko delo

Opis: V sklopu magistrske naloge smo se najprej osredotočili v problematiko pridobivanja uporabnega znanja iz nestrukturiranega besedila. Po poročilih IDC je razmerje med strukturiranimi in nestrukturiranimi podatki vsako leto večje. Načinov pridobivanja uporabnega znanja iz nestrukturiranega besedila je več, ena izmed njih so besedne vložitve oz. vektorska vgradnja. Najprej smo se posvetili pregledu tehnik besednih vložitev, kaj to je in kaj z njimi dosežemo. Ugotovili smo, da da izraz besedna vložitev stoji za določitvijo vektorske vrednosti besedi, s katero lahko izvajamo nadaljnje računske operacije. Namen magistrske naloge je bil preizkusiti nekatere algoritme vektorske vgradnje, izdelati lastne modele obdelave besedil in jih nato primerjati z nekaterimi že obstoječimi modeli. Lastne in obstoječe modele obdelave besedil smo nato preizkusili in na podlagi primerjave ugotovili prednosti in slabosti pri uporabi v določenem okolju. V sklopu učenja modelov smo se osredotočili tako v nadzorovane kot tudi v nenadzorovane tehnike učenja. Vhodni korpus podatkov smo pridobili iz pravilnikov štirinajstih slovenskih univerz in fakultet. Iz ugotovljenih rezultatov smo opravili analizo in diskusijo rezultatov, kjer smo dobili odgovore na zastavljena raziskovalna vprašanja, hipoteze pa sprejeli ali zavrnili.
Ključne besede: Besedne vložitve, strojno učenje, fastText, obdelava naravnega jezika, doc2vec, word2vec, klasifikacija besedila, nadzorovano učenje, nenadzorovano učenje
Objavljeno: 17.11.2020; Ogledov: 117; Prenosov: 31
.pdf Celotno besedilo (3,65 MB)

4.
Zasnova in razvoj sistema za rudarjenje mnenja, s pomočjo besednih vektorjev in nevronskih mrež
Miha Hozjan, 2020, magistrsko delo

Opis: V zadnjih letih je, predvsem s porastom socialnih medijev, analiza sentimenta postala ena izmed glavnih vej obdelave naravnega jezika. Intenzivno se uporablja na različnih področjih, med drugim tudi v političnem prostoru. V sklopu magistrske naloge smo izdelali sistem za rudarjenje mnenja, ki uspešno razvrsti komentarje, zapisane v slovenskem jeziku, v tri kategorije, in sicer pozitivne, negativne in nevtralne. Po proučitvi strokovne in znanstvene literature ter razvoju in primerjavi različnih modelov nam je uspelo pokazati, da lahko z uvedbo besednih vektorjev v kombinaciji z nevronskimi mrežami občutno izboljšamo delovanje takšnega sistema.
Ključne besede: analiza sentimenta, besedni vektorji, nevronske mreže, obdelava naravnega jezika
Objavljeno: 03.11.2020; Ogledov: 91; Prenosov: 20
.pdf Celotno besedilo (1,22 MB)

5.
Avtomatsko ocenjevanje odgovorov na vprašanja odprtega tipa
Klemen Kac, 2020, magistrsko delo

Opis: V magistrskem delu smo implementirali algoritem, ki avtomatsko oceni odgovore na vprašanja odprtega tipa. Odgovor študenta primerjamo s pričakovanim na podlagi različnih tehnik leksikalne in semantične analize. Algoritem temelji na poravnavi besed med pričakovanim in vnesenim odgovorom ter računanjem razdalje med vektorji besednih vložitev iz obeh odgovorov. Za implementacijo smo uporabili programski jezik Python.
Ključne besede: avtomatsko ocenjevanje, ocenjevanje odgovorov, obdelava naravnega jezika, vprašanja odprtega tipa
Objavljeno: 03.11.2020; Ogledov: 116; Prenosov: 18
.pdf Celotno besedilo (1,06 MB)

6.
Orodje za avtomatizacijo optimizacije SEO
Gašper Gračner, 2019, magistrsko delo

Opis: S tem magistrskim delom smo želeli predstaviti področje optimizacije spletnih strani ter opisati dejavnike, ki vplivajo na boljše iskalne rezultate. Avtorji del, povezanih z optimizacijo spletnih strani, največkrat poudarijo pomembnost ključnih besed. Naloga opisuje tradicionalne in moderne načine iskanja ključnih besed. Med moderne načine lahko prištevamo tudi avtomatizirano iskanje le-teh. Pristopi iskanja se med sabo močno razlikujejo, nekateri temeljijo na statističnih podatkih, drugi na oblikovnih lastnostih besedila, tretji pa na strojnem učenju. Predstavljen je po en algoritem iz posamezne kategorije ter primerjava uspešnosti s podatki, ki smo jih pridobili iz storitve DataForSEO.
Ključne besede: algoritmi iskanja ključnih besed, SEO-optimizacija, spletni iskalniki, obdelava naravnega jezika
Objavljeno: 23.11.2019; Ogledov: 434; Prenosov: 64
.pdf Celotno besedilo (2,31 MB)

7.
Razpoznavanje in klasifikacija imenskih entitet z uporabo umetnih nevronskih mrež
Luka Bašek, 2019, magistrsko delo

Opis: Z razvojem področja globokega učenja, ki temelji na umetnih nevronskih mrežah, se danes poskušajo rešiti že znani problemi področja obdelave naravnega jezika. V tem magistrskem delu obravnavamo problem razpoznavanja in klasifikacije imenskih entitet z uporabo metod globokega učenja. V magistrski nalogi smo uporabili programski jezik Python in odprtokodno knjižnico Keras. Preizkusili smo različne arhitekture rekurentnih nevronskih mrež, ki uporabljajo pomnilne celice LSTM in GRU. Prav tako smo opravili različne poskuse, v katerih smo iskali optimalne parametre nevronske mreže z namenom natančnega razpoznavanja in klasifikacije imenskih entitet. Učenje nevronske mreže in vrednotenje modelov smo izvedli na korpusih, ki so bili predstavljeni na konferenci CONLL leta 2003.
Ključne besede: obdelava naravnega jezika, razpoznavanje imenskih entitet, umetne nevronske mreže, LSTM, GRU
Objavljeno: 14.02.2019; Ogledov: 721; Prenosov: 138
.pdf Celotno besedilo (4,85 MB)

8.
Uporaba metod strojnega učenja za označevanje imenskih entitet v besedilih
Aleš Pečovnik, 2019, magistrsko delo

Opis: V magistrskem delu je opisano področje označevanja imenskih entitet vključno z razpoložljivimi pristopi. Podrobneje je razdelano področje strojnega učenja, tako nadzorovanega, delno nadzorovanega kot nenadzorovanega, z opisi nekaj pogosto uporabljanih metod. V magistrskem delu smo izdelali in preizkusili sistem označevanja imenskih entitet v besedilih, ki so napisana v slovenskem jeziku. Uporabili smo strojno učenje z metodo pogojnih naključnih polj. Opisani so posamezni deli sistema, uporabljen podatkovni vir za učenje sistema, za tem pa sam potek preizkušanja in dobljeni rezultati ter ugotovitve. Rezultati za kategoriji geografskih in lastnih imen so bili zadovoljivi, obstajajo pa še razne možnosti za nadaljnji napredek na tem področju, ki je tudi nujen zaradi naraščajočih potreb po uporabi takšnih sistemov.
Ključne besede: obdelava naravnega jezika, strojno učenje, označevanje imenskih entitet, pogojna naključna polja
Objavljeno: 30.01.2019; Ogledov: 1272; Prenosov: 126
.pdf Celotno besedilo (1,38 MB)

9.
Razvoj modela za inteligentno podporo odločanju na osnovi analize nesktrukturiranih vsebin
Miha Pavlinek, 2016, doktorska disertacija

Opis: V svetu vseprisotnega računalništva se s kopičenjem naprav ter množično uporabo družbenih omrežij, elektronske komunikacije in drugih oblik IKT storitev naglo povečuje tudi količina nestrukturiranih vsebin. To nas sili k uporabi inteligentnih rešitev, ki za nas te vsebine organizirajo, se namesto nas odločajo o njihovi pomembnosti in nam posredujejo zgolj najbolj relevantne med njimi. Osnovna zmožnost takšnih rešitev je klasifikacija vsebin, zato so v njih avtomatski klasifikatorji nepogrešljiv člen. Zanje je tipično, da za učenje potrebujejo številne označene primerke z ustrezno predstavitvijo, v praksi pa označeni primerki niso vedno na voljo, zato je potrebno avtomatske klasifikatorje prilagoditi tako, da so sposobni pri učenju uporabljati tudi druge, neoznačene vsebine. V disertaciji smo predstavili metodo ST LDA (ang. Self-Training with LDA) za klasifikacijo besedil, ki za učenje klasifikatorja potrebuje le minimalno množico označenih in veliko večjo množico neoznačenih primerkov. Predlagali smo algoritem, ki temelji na metodi samoučenja ter predstavitvi besedil na osnovi tematskega modela, kar prinaša dodatne faktorje, od katerih je odvisna njegova uspešnost. Za vsak faktor smo, na podlagi številnih eksperimentov nad sedmimi besedilnimi podatkovnimi zbirkami, ocenili vpliv na uspešnost klasifikacije ter definirali model za določanje vrednosti parametrov, s čimer se izognemo dodatnim nastavitvam. Uspešnost metode smo primerjali z uspešnostjo drugih uveljavljenih metod in predstavitev, pri čemer predlagana metoda ST LDA dosega nadpovprečne rezultate, kar smo navsezadnje potrdili z neparametričnimi statističnimi testi.
Ključne besede: obdelava naravnega jezika, tekstovno rudarjenje, klasifikacija, tematsko modeliranje, delno nadzorovano učenje, samoučenje
Objavljeno: 16.09.2016; Ogledov: 1170; Prenosov: 141
.pdf Celotno besedilo (4,13 MB)

10.
PORAZDELJENA POMENSKA ANALIZA DOKUMENTOV V PROGRAMSKEM OGRODJU APACHE HADOOP
David Starina, 2016, diplomsko delo

Opis: V diplomskem delu obravnavamo porazdeljeno pomensko analizo dokumentov v programskem ogrodju Apache Hadoop. Opišemo sestavo in delovanje Hadoopa, predvsem porazdeljenega datotečnega sistema HDFS in pogajalca za vire YARN. Predstavimo različne metode za pomensko analizo besedil, osredotočimo se na linearno Dirichletovo razporeditev (LDA) in podamo različne metrike za ugotavljanje podobnosti med vektorji. Predstavimo implementacijo rešitve za iskanje podobnih dokumentov s pomočjo programske knjižnice Apache Mahout in razpravljamo o primerih z LDA-jem generiranih tem. Predstavimo rezultate meritev na porazdeljeni in ne-porazdeljeni različici in predstavimo nekaj predlogov za hitrejšo analizo.
Ključne besede: pomenska analiza, porazdeljena obdelava, Hadoop, linearna Dirichletova razporeditev, procesiranje naravnega jezika
Objavljeno: 08.09.2016; Ogledov: 767; Prenosov: 127
.pdf Celotno besedilo (1,33 MB)

Iskanje izvedeno v 0.3 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici