1. Gradnja uravnoteženih evolucijskih klasifikacijskih drevesTadej Lahovnik, 2024, magistrsko delo Opis: Uspešnost odločitvenih dreves temelji na predpostavki, da učni podatki za vsak razred vključujejo enako količino informacij. Pri nesorazmerni porazdelitvi razredov so klasifikatorji pristransko usmerjeni k večinskim razredom. Zaradi majhnega števila vzorcev manjšinskih razredov klasifikatorji niso zmožni ustreznega usvajanja znanja, kar vodi do slabšega posploševanja in prekomernega prileganja. V okviru zaključnega dela smo razvili več algoritmov za gradnjo uravnoteženih evolucijskih dreves, ki se osredotočajo na reševanje izzivov, povezanih z nesorazmerno porazdelitvijo razredov. Rezultati eksperimenta kažejo, da uravnoteženost evolucijskih dreves ne prispeva k izboljšanju klasifikacije v primerjavi s tradicionalnimi metodami. Ključne besede: evolucijski algoritem, odločitvena drevesa, klasifikacija, neuravnoteženi podatki Objavljeno v DKUM: 06.02.2025; Ogledov: 0; Prenosov: 7
Celotno besedilo (2,85 MB) |
2. Uporaba umetne inteligence na področju varnosti geselMatej Malek, 2024, diplomsko delo Opis: V diplomski nalogi smo predstavili osnove umetne inteligence oziroma strojnega učenja in njeno uporabo v varnosti sodobnih informacijskih tehnologij ter rešitev. Podali smo razloge, zakaj je njena uporaba koristna in potrebna ter kako se z njo že srečujemo v vsakdanjem življenju. Navedli smo tudi bistvene težave in napade, s katerimi se srečujemo, ter kako jih ljudje rešujejo s pomočjo umetne inteligence. V teoretičnem delu smo se osredotočili na razjasnitev pojmov, zgodovino napadov in razlago uporabljenih algoritmov. V praktičnem delu pa smo opravili primerjavo treh algoritmov strojnega učenja za ugotavljanje moči gesla, s čimer smo prišli do zaključka, da so nevronske mreže, čeprav najbolj časovno potratne, tudi najboljša izbira. Ključne besede: K-najbližji sosed, klasifikacija, nevronske mreže, odločitvena drevesa, strojno
učenje Objavljeno v DKUM: 19.09.2024; Ogledov: 0; Prenosov: 25
Celotno besedilo (1,71 MB) |
3. Prepoznava štetja kart pri igri blackjack z metodami strojnega učenja : diplomsko delo visokošolskega študijskega programa Informacijska varnostAljaž Berčič, 2021, diplomsko delo Opis: V tem diplomskem delu smo raziskali igro blackjack, strategije štetja kart, strojno učenje in metode za prepoznavo igralcev, ki štejejo karte. Blackjack je ena izmed najstarejših in najbolj priljubljenih igralniških iger s kartami na svetu. Pravila igre so se skozi čas zelo spreminjala, eden izmed razlogov zato pa je prav gotovo strategija štetja kart in njen razvoj. V diplomskem delu smo tako preverili različno literaturo o igri blackjack in vplivu različnih pravil na samo igro. Raziskali smo različne strategije štetja kart in njihov razvoj. Zaradi hitrega razvoja tehnologije in mobilnih aplikacij je postalo štetje kart dostopno in mnogo lažje za povprečnega igralca. Preverili smo, kako so se igralnice soočile s tem izzivom, saj so vstopali številni igralci, ki so bili opremljenih z znanjem štetja kart. Z uporabo zahtevnejših aplikacij kot je CVCX smo tudi matematično preverili, kako štetje kart, natančneje strategija Hi-Lo, ki je zelo preprosta in popularna, vpliva na igralnice ter koliko lahko igralec, ki šteje karte igralnico oškoduje. Zaradi pomanjkanja raziskav na področju prepoznave igralcev, ki štejejo karte, smo se odločili, da z uporabo metod strojnega učenja – natančneje odločitvenega drevesa, poskušamo identificirati igralce, ki štejejo karte. Zato smo v diplomskem delu natančneje raziskali strojno učenje, algoritme in metode, ki se pri strojnem učenju uporabljajo ter jih uspešno uporabili pri igri blackjack. Odgovorili smo na raziskovalno vprašanje, ali lahko z metodami strojnega učenja prepoznamo igralce, ki štejejo karte. Rezultati so nam pokazali, da jih lahko uspešno prepoznamo. Uspešnost je bila v primeru, ko gledamo samo igralca, ki šteje karte, več kot 80 %. Vendar smo se pri rezultatih soočili z omejitvami, saj smo veliko število osnovnih igralcev napačno klasificirali kot igralca, ki šteje karte. To nas je pripeljalo do zaključkov, da program še ni popoln in je mogočih še veliko nadgradenj saj ne želimo osnovnih igralcev, ki so igralnicam glavni vir prihodka, odsloviti iz igralnice. Ključne besede: diplomske naloge, blackjack, štetje kart, strojno učenje, odločitvena drevesa, prepoznava Objavljeno v DKUM: 09.08.2021; Ogledov: 1399; Prenosov: 162
Celotno besedilo (1,52 MB) Gradivo ima več datotek! Več... |
4. Primerjava programskih jezikov Python in R za namene strojnega učenja : diplomsko deloPeter Zupan, 2020, diplomsko delo Opis: V diplomski nalogi primerjamo programska jezika R in Python za namene strojnega učenja. Najprej razložimo, kaj je strojno učenje, nato opišemo algoritme, ki smo jih uporabili pri praktičnih primerih, ter predstavimo programska jezika R in Python. V nadaljevanju diplomskega dela na treh različnih primerih prikažemo delovanje obeh programskih jezikov. Nalogo zaključimo s primerjavo programskih jezikov na podlagi pridobljenih rezultatov in ugotovitev iz praktičnega dela. Ključne besede: strojno učenje, R, Python, linearna regresija, odločitvena drevesa, nevronske mreže Objavljeno v DKUM: 02.11.2020; Ogledov: 1057; Prenosov: 163
Celotno besedilo (1,16 MB) |
5. |
6. Možnost uporabe metod strojnega učenja pri napovedovanju razvoja krovne barve jabolk (malus domestica borkh.)Blaž Germšek, 2017, doktorsko delo/naloga Opis: Napovedovanje razvoja parametrov kakovosti je v kmetijski proizvodnji ob zahtevah sodobnega potrošnika postalo zelo pomembno. Tipičen parameter, ki ga potrošnik neposredno povezuje s kakovostjo, je barva kožice plodov. V raziskavi smo se osredotočili na možnosti napovedovanja razvoja in intenziviranja krovne barve jabolk, katere intenzivnost smo določili z barvnim parametrom a*. Za metodo strojnega učenja smo uporabili nadzorovano učenje, modele pa generirali s šestimi različnimi odločitvenimi drevesi (Decision Stump, J48, LMT, Random Forest, Random Tree in Rep Tree). Namen raziskave je bil zgraditi modele, ki bodo na podlagi vremenske napovedi omogočali sprejemljivo natančnost (< 60-% natančnost) napovedi razvoja krovne barve oz. barvnega parametra a* za tri obravnavane sorte jabolk (‘Gala Brookfield’, ‘Fuji Kiku 8’ in ‘Braeburn Mariri red’). Pri sorti ‘Gala Brookfield’ smo najbolj natančne modele generirali z uporabo odločitvenega drevesa J48 (89,13-% natančnost). Pri sorti ‘Fuji Kiku 8’ smo najbolj natančen model dobili z uporabo odločitvenega drevesa LMT (91,73-% natančnost), s tem modelom (LMT) smo dobili najbolj natančen model napovedi barvnega parametra a* tudi za sorto ‘Braeburn Mariri red’ (96,65-% natančnost). Model LMT je izmed vseh generiranih modelov (36) in obravnavanih sort (3) dal najbolj natančno napoved barvnega parametra a*, kar pripisujemo predvsem najbolj natančnim podatkom, ki smo jih s statistično obdelavo dobili pri sorti ‘Braeburn Mariri red’. Ugotovili smo, da je uporabnost napovedovalnih modelov odvisna predvsem od natančnosti vremenske napovedi. Pri 7-dnevni uradni vremenski napovedi, ki je bila uporabljena pri naših ekspertnih modelih, se natančnost modelov v povprečju zniža za 10,73 %. Znižanje natančnosti napovedovalnih modelov pripisujemo zelo variabilni vremenski napovedi, s katero smo v času raziskave razpolagali. Ključne besede: strojno učenje, napovedovanje, kakovostni parametri, jabolka, odločitvena drevesa Objavljeno v DKUM: 21.02.2017; Ogledov: 3328; Prenosov: 295
Celotno besedilo (3,56 MB) |
7. Napovedovanje rehospitalizacij za paciente z multiplo sklerozoSanja Rikanović, 2016, magistrsko delo Opis: V magistrskem delu smo raziskovali nenačrtovane ponovne sprejeme pri pacientih z multiplo sklerozo (MS). Cilj našega raziskovalnega dela je bil sestaviti model, ki bo pri napovedovanju nenačrtovanih ponovnih sprejemov uspešnejši od modelov, ki niso vezani na posamezno diagnozo.
Pri pisanju teoretičnega dela naloge smo se opirali na strokovno literaturo o multipli sklerozi ter na raziskave o modelih za napovedovanje nenačrtovanih ponovnih sprejemov. Za empirični del naloge smo uporabili podatke iz podatkovne baze SID (State Inpatient Database) za Kalifornijo, ki je del skupine podatkovnih baz, razvitih v okviru projekta HCUP (Healthcare Cost and Utilization Project).
Specializiran napovedni model, zgrajen na osnovi podatkov o pacientih z multiplo sklerozo, se je pri napovedovanju ponovnega sprejema bolnikov z MS v manj kot 30 dneh izkazal kot uspešnejši od globalnega modela, ki je bil zgrajen na osnovi podatkov o vseh pacientih ne glede na diagnozo. Povprečna AUC-vrednost specializiranega modela je znašala 0,708, kar je za 0,042 višje od povprečne AUC-vrednosti globalnega modela (AUC = 0,666). Prav tako smo pri specializiranem modelu zaznali višje povprečne vrednosti diagnostične natančnosti, senzitivnosti, specifičnosti in NPV. Dodaten prispevek specializiranega modela v primerjavi z globalnim modelom se kaže tudi v nižji Brierjevi oceni ter v manjšem številu uporabljenih vhodnih spremenljivk in posledično v manj kompleksnem modelu. Vse našteto govori v prid specializiranemu napovednemu modelu za paciente z MS, zato smo v naslednjem koraku temu modelu dodali še podatke o predhodnih hospitalizacijah in ugotovili, da vključitev zgodovinskih podatkov o hospitalizacijah prav tako pozitivno vpliva na napovedovanje nenačrtovanih ponovnih sprejemov.
Za napovedovanje nenačrtovanih ponovnih sprejemov pri pacientih z MS je bolje uporabiti specializiran model kot splošnega. Rezultati magistrskega dela so primerni za nadaljnje proučevanje rehospitalizacij pri pacientih z MS. Ključne besede: multipla skleroza, rehospitalizacija, bolnišnična odpustna pisma, napovedni model, Lasso regresija, ansambelske metode, odločitvena drevesa. Objavljeno v DKUM: 01.09.2016; Ogledov: 2546; Prenosov: 222
Celotno besedilo (888,29 KB) |
8. UČINKOVITEJŠE NAČRTOVANJE PROJEKTOV OBNOVE ZGODOVINSKIH OBJEKTOV Z INTEGRACIJO TEHNOLOGIJ ZA UPRAVLJANJE ZNANJADaniela Dvornik Perhavec, 2016, doktorska disertacija Opis: Prenova zgodovinskih objektov gradbenim inženirjem ne predstavlja posebnega zadovoljstva in izziva. Morda je razlog v tem, da za načrtovanje projektov obnove ni zadostne podpore s strani investitorjev. Raziskovanje zgodovinskih objektov zahteva čas in finančna sredstva. Projekt obnove je za razliko od novogradenj drugačen in temelji na vhodnih podatkih kot posledici rezultatov raziskovanja obstoječih objektov. Če vhodni podatki niso točni, se raziskovanje objekta prenese v fazo izvedbe, kar investitorju povzroči tveganje, izvajalcu pa motnje v projektu obnove. Projekt prenove se običajno prične z raziskovanjem obstoječega objekta in z iskanjem arhivskega gradiva. Težava nastopi, če arhivskih podatkov ni. Ključno vprašanje, ki pri tem nastopi je, kako iz razpoložljivih virov in podatkov, ki so za zgodovinske objekte na voljo, napovedati karakteristike objektov, za katere razpoložljivih virov ni. Na podlagi analize literature, gradbene zakonodaje in načrtov za zgodovinske objekte smo izdelali relacijske baze na podlagi katerih smo želeli izdelati napovedni model za naključne objekte. Rezultati za napoved so bili zadovoljivi, zato smo izdelali še ustrezne ontologije ter s pomočjo metod umetne inteligence, natančneje z odločitvenimi drevesi, pridobili novo znanje o karakteristikah zgodovinskih objektov. Proučili smo tudi zunanje udeležence. Na podlagi teorije iger smo utemeljili kateri parametri so ključni za uspešno podporo projektu prenove. V doktorski nalogi predstavljen model za učinkovitejše načrtovanje projektov obnove zgodovinskih objektov s pomočjo uporabe tehnologij za upravljanje znanja predstavlja nov pristop v procesu projektov prenove objektov. Z uspešnim razvojem ontologij bomo s pomočjo pridobivanja znanja iz podatkov ter podatkovnega rudarjenja lahko zagotovili boljšo podporo tistim, ki tovrstno znanje potrebujejo. Ključne besede: projekti obnove, zgodovinski objekti, sistemi, podatkovne baze, ontologije, odločitvena drevesa, podatkovno rudarjenje, umetna inteligenca, teorija iger, zapornikova dilema, model za učinkovitejše načrtovanje, tehnologije upravljanja znanja Objavljeno v DKUM: 01.09.2016; Ogledov: 3262; Prenosov: 179
Celotno besedilo (17,57 MB) |
9. Navzkrižno testiranje simboličnih in konektivističnih pristopov strojnemu učenju na specializiranih bazah akutnega vnetja slepičaMilan Zorman, Sandi Pohorec, Bojan Butolen, Bojan Žlahtič, Peter Kokol, 2012, izvirni znanstveni članek Ključne besede: akutno vnetje slepiča, odločitvena drevesa, nevronske mreže, strojno učenje, navzkrižno testiranje, medicinska informatika Objavljeno v DKUM: 30.12.2015; Ogledov: 1619; Prenosov: 32
Povezava na celotno besedilo Gradivo ima več datotek! Več... Gradivo je zbirka in zajema 1 gradivo! |
10. UGOTAVLJANJE GENSKIH PREDIKTORJEV S POMOČJO INTELIGENTNIH SISTEMOVNejc Rednjak, 2015, magistrsko delo Opis: Pri strojnem učenju (angl. Machine Learning) gre za pridobivanje znanja na podlagi izkušenj. Ne gre za učenje na pamet, ampak za iskanje pravil v učnih podatkih. Najbolj znane metode strojnega učenja so odločitvena drevesa (DT), metoda podpornih vektorjev (SVM) in nevronske mreže (NN). Metode strojnega učenja so nam v pomoč pri ugotavljanju genskih prediktorjev. Algoritmi strojnega učenja imajo prav tako pomembno vlogo pri diagnosticiranju rakavih obolenj. V magistrskem delu smo opisali najbolj znane metode strojnega učenja in jih preizkusili na podatkovni bazi AP_Colon_Kidney. Uporabili smo podatkovno bazo iz spletne zbirke GEMLeR, ki vsebuje podatke o genski ekspresiji za več kot 2000 vzorcev tumorjev. Raziskali smo tudi, kateri geni so najbolj izraženi v primeru rakavega obolenja debelega črevesa in ledvic. Ključne besede: strojno učenje, odločitvena drevesa, nevronske mreže, metoda podpornih vektorjev, gen, podatkovna baza. Objavljeno v DKUM: 24.09.2015; Ogledov: 3143; Prenosov: 193
Celotno besedilo (1,75 MB) |