Iskanje po katalogu digitalne knjižnice

Opis: Raziskava obravnava prepoznavanje izbranih rastlin in njihovih bolezni s pomočjo mobilne aplikacije. Na kratko so predstavljena uporabljena orodja: Orange Data mining, Android Studio, MS Visio, Figma, Flask, Nginx in Gunicorn. Arhitektura rešitve obsega virtualno okolje v oblaku s strežniki za dostop do modelov za klasifikacijo rastlin in njihovih bolezni in aplikacijo Android. Opisan je postopek izdelave modelov strojnega učenja, ki so bili preneseni na strežnik. V nalogi so prikazani pomembni deli kode in podana razlaga vseh aspektov delovanja aplikacije.
Ključne besede: umetna inteligenca, razvoj aplikacije, analiza podatkov, podatkovno rudarjenje, Orange Data Mining.
Objavljeno v DKUM: 09.04.2025; Ogledov: 0; Prenosov: 3
Celotno besedilo (3,07 MB)

Opis: V doktorski disertaciji obravnavamo raziskovalni problem avtomatizacije prepoznavanja namenov sprememb programskih rešitev, izvedenih v fazi vzdrževanja. Klasifikacija programskih sprememb glede na vrsto aktivnosti vzdrževanja, ki odraža specifične namene sprememb, omogoča učinkovitejšo analizo in načrtovanje vzdrževanja, podpira delovne procese in naloge razvijalcev ter se pogosto uporablja v raziskavah programskega inženirstva za proučevanje sprememb in evolucije rešitev. S ciljem ugotavljanja raziskovalnih vrzeli smo s sistematičnim pregledom literature proučili obstoječe pristope h klasifikaciji sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja. Za naslovitev teh vrzeli smo s študijo sistematičnega mapiranja pregledali pristope vektorizacije sprememb programske kode z učenjem predstavitev na podlagi izvorne kode, ki se v obstoječi literaturi uporabljajo za naslavljanje različnih izzivov programskega inženirstva. Na podlagi ugotovitev smo razvili in predlagali novo metodo kontekstno odvisne vektorske predstavitve sprememb programske kode, ki omogoča ekstrakcijo semantičnih značilk sprememb izvorne kode med dvema različicama programske rešitve ob upoštevanju konteksta sprememb. Predlagana metoda predstavi spremembo programske rešitve kot množico podrobnih sorodnih sprememb programske kode, temelječih na predstavitvah zaznanih razlik v izvorni kodi na osnovi žetonov. Za ekstrakcijo semantičnih vložitev sorodnih sprememb metoda uporablja strojno učenje s prenosom znanja iz izbranega prednaučenega jezikovnega modela programske kode iz družine modelov BERT, kot so CodeBERT, UniXcoder in StarEncoder, ki je bil predhodno dodatno prilagojen ciljni nalogi s paradigmama samonadzorovanega in nadzorovanega učenja. Pridobljene vektorske vložitve podrobnih sorodnih sprememb so nato združene v enotno semantično vektorsko predstavitev spremembe programske rešitve. Za klasifikacijo sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja smo na označeni podatkovni množici izgradili modele strojnega učenja, pri čemer smo za ekstrakcijo značilk uporabili predlagano metodo ter referenčne in obstoječe metode predstavitve sprememb rešitev. Z nadzorovanim eksperimentom, študijo ablacije in primerjalno študijo smo proučili vpliv različnih parametrov predlagane metode predstavitve sprememb na uspešnost klasifikacije, primerjali uspešnost klasifikacije ob uporabi predlagane metode v primerjavi z uporabo referenčnih in obstoječih metod predstavitve sprememb ter ovrednotili uspešnost multimodalnih modelov strojnega učenja, temelječih na nadgradnji obstoječih metod predstavitve sprememb s predlagano metodo z združevanjem modalnosti naravnega jezika in programske kode. Empirične rezultate smo statistično analizirali s pomočjo frekventistične in Bayesove statistike. Izsledki raziskav potrjujejo izhodiščno tezo, da je z uporabo nove metode mogoče izgraditi modele strojnega učenja, ki uspešno klasificirajo spremembe programskih rešitev glede na vrsto aktivnosti vzdrževanja. Osrednje ugotovitve doktorske disertacije so naslednje: vektorske predstavitve sprememb programske kode na osnovi predlagane metode dosegajo primerljivo ali višjo uspešnost pri klasifikaciji v primerjavi s predstavitvami na osnovi referenčnih in obstoječih metod; zmanjšanje dimenzionalnosti kontekstno odvisnih vektorskih predstavitev sprememb omogoča zmanjšanje števila dimenzij brez negativnega vpliva na uspešnost klasifikacije; multimodalni klasifikacijski modeli dosegajo višjo uspešnost klasifikacije v primerjavi z unimodalnimi modeli.
Ključne besede: vzdrževanje programske opreme, spremembe programskih rešitev, rudarjenje repozitorijev programskih rešitev, strojno učenje, klasifikacija, nevronski jezikovni modeli programske kode, vektorske predstavitve, vektorska vložitev
Objavljeno v DKUM: 06.01.2025; Ogledov: 0; Prenosov: 68
Celotno besedilo (5,56 MB)

Opis: Diplomsko delo obravnava uporabo metod podatkovnega rudarjenja za napovedovanje intervalnih spremenljivk v družboslovnih podatkovnih množicah, kjer je analiza velikih in kompleksnih podatkov pogosto izziv. Podatkovno rudarjenje omogoča odkrivanje skritih vzorcev in povezav, ki jih z običajnimi metodami analize težko zaznamo, ter omogoča napovedovanje prihodnjih dogodkov na osnovi preteklih podatkov. V nalogi so preučene različne metode, kot so linearna regresija, nevronske mreže, metoda k najbližjih sosedov (kNN), podporni vektorji (SVM) in odločitvena drevesa, pri čemer se raziskuje njihova učinkovitost pri obdelavi družboslovnih podatkov. Naloga vključuje primerjavo učinkovitosti teh metod z uporabo različnih metrik, kot so MSE, RMSE, MAE in R2, ki zagotavljajo celovito oceno natančnosti napovedi. Rezultati kažejo, da so nevronske mreže in linearna regresija med najuspešnejšimi metodami za napovedovanje intervalnih spremenljivk v družboslovnih podatkovnih množicah. Nevronske mreže izkazujejo posebno prednost pri odkrivanju skritih vzorcev v kompleksnih podatkovnih strukturah, medtem ko je linearna regresija učinkovita zaradi svoje preprostosti in razumljivosti. Raziskava poudarja pomen prilagajanja izbranih metod značilnostim podatkovnih množic in potrebam analize. Izpostavlja tudi, da lahko ustrezna izbira metode vpliva na uspešnost napovedovanja in natančnost pridobljenih rezultatov. S tem prispeva k razumevanju optimalnih pristopov za analizo družboslovnih podatkov in odpira možnosti za nadaljnje raziskave, zlasti pri uporabi naprednejših tehnik strojnega učenja in prilagoditvah obstoječih metod. Naloga tako ponuja smernice za izbiro ustreznih metod podatkovnega rudarjenja glede na zahteve družboslovnih raziskav in spodbuja nadaljnje raziskovalno delo na tem področju.
Ključne besede: podatkovno rudarjenje, metode, družboslovje, množice, metrike, diplomske naloge
Objavljeno v DKUM: 27.09.2024; Ogledov: 0; Prenosov: 25
Celotno besedilo (1006,06 KB)

Opis: Diplomska naloga predstavlja postopek iskanja skritih podatkov iz meritev kvalitete zraka s pomočjo rudarjenja asociativnih pravil. Rudarjenje asociativnih pravil je tehnika, preko katere lahko pridobimo zanimive povezave med podatki iz večjih podatkovnih množic. V zaključnem delu smo prikazali postopek pridobivanja podatkov, obdelavo podatkov, razlago uporabljenih algoritmov in njihovo implementacijo. Opisali smo algoritme Apriori, ECLAT in Fp-growth, ki se uporabljajo pri asociativnem rudarjenju pravil. Predstavili smo tudi numerično rudarjenje asociativnih pravil, pri katerem smo uporabili algoritem optimizacije roja delcev. Rezultati rudarjenja so razkrili različne povezave med vrednostmi meritev, ki smo jih razložili in vizualizirali s pomočjo raznih grafov.
Ključne besede: rudarjenje asociativnih pravil, kvaliteta zraka, asociativna pravila
Objavljeno v DKUM: 03.11.2023; Ogledov: 642; Prenosov: 63
Celotno besedilo (2,94 MB)

Opis: V magistrski nalogi smo analizirali in predstavili razvoj dogajanja v zasavski regiji po odločitvi, da se gre v likvidacijo družbe RTH in hkrati v zaključitev dejavnosti rudarjenja, ki je predstavljala del zasavske tradicije okoli 250 let. Rudarjenje je dolgo časa predstavljalo temelj ekonomskega, sociološkega, kulturološkega in vsakega drugega razvoja Zasavja. Država je po odločitvi o zaprtju rudnika sprejela Zakon o postopnem zapiranju rudnika Trbovlje - Hrastnik in postopnem prestrukturiranju regije. Navedeni zakon je bil sprejet z namenom, da bi stanje okolja po rudarjenju v največji možni meri povrnili v prvotno stanje, obenem pa je država želela preprečiti tudi ekonomski zlom Zasavske regije in potencialno težko socialno situacijo. Sama magistrska naloga je v veliki meri vezana na preučevanje uspešnosti implementacije navedenega zakona v praksi, saj so od navedenega procesa bili v največji meri odvisni tudi nadaljnji ekonomski razvoj, naravovarstvena dejavnosti in kakovost samega življenja v Zasavski regiji po obdobju rudarjenja. Skozi naše preučevanje navedenega področja smo poskušali ugotoviti, v kolikšni meri je rudarska dejavnost trajno degradirala okolje. Zanimala sta nas uspešnost samega procesa zapiranja rudnika ter v kolikšni meri je bilo uspešno izvedeno razvojno prestrukturiranje zasavske regije. Ko govorimo o sanaciji degradiranega okolja kot tudi o prestrukturiranju regije, menimo, da ta dva procesa še nista popolnoma zaključena. Po našem mnenju država po odločitvi o likvidaciji družbe RTH ni imela pravega odgovora za reševanje problemov, ki so nastali z odločitvijo o zaključku rudarske dejavnosti. Rešitve, ki so bile predlagane v Zakonu o postopnem zapiranju Rudnika Trbovlje - Hrastnik in razvojnem prestrukturiranju regije, so bile nezadostne za reševanje prihajajočih problemov v regiji, obenem pa so bila nezadostna tudi sredstva, ki so bila namenjena za njihovo uveljavitev v praksi. Da so naše ugotovitve pravilne, nakazujejo številni ekonomski in demografski podatki, ki smo jih skozi magistrsko nalogo tudi prikazali in podrobneje preučili. Po zaključku magistrske naloge smo dobili vtis, da je Zasavje v obdobju rudarjenja dalo veliko žrtev za celotno državo, vendar ne moremo reči, da se je enako zgodilo tudi v obratni smeri po končanju rudniške dejavnosti.
Ključne besede: okoljska degradacija, rudarjenje, prestrukturiranje, sanacija, onesnaženost, magistrska dela
Objavljeno v DKUM: 02.06.2023; Ogledov: 502; Prenosov: 63
Celotno besedilo (737,50 KB)