| | 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 / 17
Na začetekNa prejšnjo stran12Na naslednjo stranNa konec
1.
Prepoznava štetja kart pri igri blackjack z metodami strojnega učenja
Aljaž 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: 09.08.2021; Ogledov: 183; Prenosov: 60
.pdf Celotno besedilo (1,52 MB)
Gradivo ima več datotek! Več...

2.
Primerjava programskih jezikov Python in R za namene strojnega učenja
Peter 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: 02.11.2020; Ogledov: 210; Prenosov: 70
.pdf Celotno besedilo (1,16 MB)

3.
Uporaba umetne nevronske mreže za klasifikacijo obrabljenosti orodja pri rezkanju
Žan Pudič, 2020, diplomsko delo

Opis: Diplomsko delo zajema reševanje problema klasifikacije obrabljenosti orodja pri rezkanju s pomočjo umetne inteligence. Namen dela je bil spoznati delovanje umetnih nevronskih mrež in postaviti arhitekturo ter optimizirati njeno delovanje. Za objektivno oceno sposobnosti napovedovanja postavljene nevronske mreže smo dobljene rezultate primerjali z rezultati, ki so bili dobljeni z metodo odločitvenih dreves. Rezultat dela je napovedovalni model z visoko stopnjo prilagojenosti na učnih in testnih podatkih, ki lahko v realnem času klasificira obrabljenost orodja.
Ključne besede: rezkanje, klasifikacija obrabljenosti orodja, strojno učenje, umetna nevronska mreža, odločitvena drevesa
Objavljeno: 08.10.2020; Ogledov: 275; Prenosov: 99
.pdf Celotno besedilo (1,23 MB)

4.
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: 21.02.2017; Ogledov: 1985; Prenosov: 198
.pdf Celotno besedilo (3,56 MB)

5.
Napovedovanje rehospitalizacij za paciente z multiplo sklerozo
Sanja 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: 01.09.2016; Ogledov: 1395; Prenosov: 158
.pdf Celotno besedilo (888,29 KB)

6.
UČINKOVITEJŠE NAČRTOVANJE PROJEKTOV OBNOVE ZGODOVINSKIH OBJEKTOV Z INTEGRACIJO TEHNOLOGIJ ZA UPRAVLJANJE ZNANJA
Daniela 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: 01.09.2016; Ogledov: 2128; Prenosov: 103
.pdf Celotno besedilo (17,57 MB)

7.
UGOTAVLJANJE GENSKIH PREDIKTORJEV S POMOČJO INTELIGENTNIH SISTEMOV
Nejc 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: 24.09.2015; Ogledov: 1501; Prenosov: 121
.pdf Celotno besedilo (1,75 MB)

8.
Vpliv podobnosti na uspešnost klasifikacije evolucijskih odločitvenih dreves
Leon Bošnjak, 2014, magistrsko delo

Opis: Magistrska naloga obravnava proces gradnje klasifikacijskih odločitvenih dreves z genetskimi algoritmi, v sklopu katerega se osredotoča na ocenjevanje uspešnosti zgrajenih dreves ter hitrosti oziroma učinkovitosti algoritma. Standardni način evolucijske gradnje odločitvenih dreves predvideva uporabo naključne selekcije dveh primerkov za križanje dreves, kar lahko povzroči prehitro konvergenco k lokalno optimalni rešitvi. Z namenom ohranjanja raznolikosti populacije tekom evolucije je bilo implementiranih pet pristopov vrednotenja podobnosti med drevesi, ki so bili uporabljeni v okviru selekcije primerkov za križanje. Pristopi križanja med seboj različnih in podobnih dreves so bili primerjani s standardnim načinom brez upoštevanja podobnosti na enaindvajsetih različnih podatkovnih množicah z namenom ugotavljanja vpliva podobnosti na uspešnost in učinkovitost algoritma.
Ključne besede: odločitvena drevesa, genetski algoritmi, klasifikacija, podobnost
Objavljeno: 26.06.2014; Ogledov: 1394; Prenosov: 199
.pdf Celotno besedilo (3,33 MB)

9.
Matematični modeli diskretnih acikličnih odločitvenih procesov
Tadej Kolmanič, 2013, diplomsko delo

Opis: V diplomskem delu smo analizirali problem sprejemanja odločitev, s katerim se srečujemo vsakodnevno. S pomočjo matematičnega modela smo formalno opisali diskreten aciklični odločitveni proces in s tem pripomogli k izboljšanju učinkovitosti pri odločanju in k pravilnejšim izbiram pri le tem. V prvem delu smo opisali odločitvena drevesa, s pomočjo katerih grafično predstavimo sam problem, odločitve ter rešitve problema. Spoznali smo definicijo odločitvenih dreves ter njihov namen. V nadaljevanju smo opisali še, kako jih gradimo ter kaj so njihove prednosti ter slabosti. Nato smo podrobneje opisali dve vrsti odločitvenih dreves: klasifikacijska in regresijska drevesa. Prav tako smo spoznali programsko opremo za odločitvena drevesa, nekoliko podrobneje orodje Weka. V drugem delu smo najprej spoznali sisteme za podporo odločanju na splošno. Nato smo opisali ekspertne sisteme, sisteme za podporo odločanju na osnovi znanja ter samo modeliranje znanja. Na koncu smo podrobneje opisali še proces odločanja in matematično notacijo tega procesa. V zadnjem delu smo opisali matematično strukturo modela diskretnega acikličnega odločitvenega procesa ter algoritem, s katerim pridemo do optimalne rešitve. Dokazali smo izrek, ki pravi, da je skozi celoten postopek opisanega algoritma optimalna rešitev vedno v množici dosegljivih rešitev.
Ključne besede: odločitvena drevesa, sistemi za podporo odločanju, odločitveni proces, vozlišča, problem iskanja optimalne rešitve, algoritem.
Objavljeno: 11.09.2013; Ogledov: 2076; Prenosov: 132
.pdf Celotno besedilo (943,57 KB)

10.
PODATKOVNO RUDARJENJE NA PRIMERU ZAVAROVALNICE MARIBOR
Sebastijan Štraus, 2012, diplomsko delo

Opis: Diplomsko delo obravnava podatkovno rudarjenje, metode strojnega učenja, obstoječe aplikacije za podatkovno rudarjenje, ter uporabo in integracijo knjižnice Weka v ogrodje .NET, s katerim smo izdelali aplikacijo za obdelavo podatkov Zavarovalnice Maribor. Na Zavarovalnici Maribor smo dobili odobritev, da lahko pri svoji nalogi uporabimo njihove podatke, ki bodo zaradi varnosti nekoliko okrnjeni. V diplomskem delu smo izdelali in opisali aplikacijo, ki omogoča statistično obdelavo vnesenih podatkov in ki na podlagi podatkovnega rudarjenja ter strojnega učenja omogoča analizo in ekstrakcijo določenih pravil, npr. kakšni zavarovanci so najbolj tvegani za zavarovalnico.
Ključne besede: podatkovno rudarjenje, strojno učenje, odločitvena drevesa, Bayesov klasifikator, nevronske mreže, hibridne metode, ansambelske metode, grobe množice, asociativna pravila, Apriori, ikvm, Data Miner, Mahout, Weka, .NET
Objavljeno: 30.11.2012; Ogledov: 2742; Prenosov: 583 
(2 glasa)
.pdf Celotno besedilo (2,19 MB)

Iskanje izvedeno v 0.15 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici