1. Vključevanje orodij umetne inteligence v celovite informacijske rešitve: primer napovedovanja prodaje in zalogGarvin Gajšek, 2024, magistrsko delo Opis: Izziv dela predstavlja integracijo celovitih informacijskih rešitev s tehnologijami umetne inteligence za napovedovanje prodaje in upravljanje zalog v podjetjih, s posebnim poudarkom na platformi Microsoft Dynamics 365 Business Central. V sodobnem poslovnem okolju predstavlja napovedovanje prodaje in zalog enega izmed ključnih elementov za ohranjanje konkurenčne prednosti podjetij. Zaradi naraščajočega pomena teh dejavnikov se vse pogosteje poslužujemo orodij umetne inteligence in strojnega učenja, ki omogočajo bolj natančne in pravočasne napovedi ter optimizacijo zalog. Ena izmed glavnih prednosti strojnega učenja je sposobnost obravnave kompleksnih podatkovnih nizov, ki vključujejo več dejavnikov ali značilk. S tem lahko izboljšamo model in natančnost napovedi, saj lahko algoritmi strojnega učenja učinkoviteje izkoristijo informacije, ki jih vsebujejo podatki. Ta pristop nam daje pomembno prednost nad konkurenco in nam omogoča, da ostajamo korak pred njo v dinamičnem poslovnem okolju. Seveda pa je ključnega pomena pravilna izbira dejavnikov, ustrezna obdelava podatkov ter izbira ustrezne metode strojnega učenja, da lahko dosežemo najboljše rezultate pri napovedovanju. Velik izziv na področju na tem področju je zato vprašanje, katere podatke in zgodovino podatkov umetna inteligenca uporablja in potrebuje za izvajanje kvalitetnih napovedi.
V magistrskem delu predstavimo osnovne paradigme strojnega učenja (angl. machine learning, v nadaljevanju ML), ki so uporabljene v našem eksperimentu napovedovanja prodaje iz zalog. Opisani so elementi poteka dela ML, okvir regresijsko temelječih metod ML in ocenjevalne matrike ML. Pomemben del naloge je posvečen analizi in opisu programske kode jezika R, s katero poglobimo razumevanje delovanja modela strojnega učenja v okolju Azure Machine Learning (v nadaljevanju AML) Studio. Model strojnega učenja v AML Studio je nato objavljen kot spletna storitev, do katere dostopamo preko REST (prenos predstavitvenega stanja, angl. REpresentational State Transfer, v nadaljevanju REST) API (aplikacijski programski vmesnik, angl. Application Programming Interface, v nadaljevanju API) protokola.
V nadaljevanju je opisan razvoj razširitve Business Centrala, ki predstavlja jedro izvedbe napovedovanja in integracije vtičnika strojenega učenja. Razširitev služi kot neposredni komunikator med uporabnikom in modelom strojnega učenja. Končnemu uporabniku Business centrala omogoča izvajanje funkcij učenja, ocenjevanja in napovedovanja.
Magistrsko delo zaključimo z interpretacijo kvantitativnih rezultatov napovedi. Kvantitativna primerjava rezultatov različnih modelov strojenega učenja nam pokaže, da eksperiment strojnega učenja sicer izpolnjuje osnovne pogoje in procese napovedovanja, a se sooča z določenimi pomanjkljivostmi.
Ključne besede: umetna inteligenca, strojno učenje, celovite informacijske rešitve, napovedovanje prodaje in zalog, nadzorovano učenje.
Objavljeno v DKUM: 07.01.2025; Ogledov: 0; Prenosov: 10
 Celotno besedilo (2,64 MB) |
2. Metoda kontekstno odvisne vektorske predstavitve sprememb programske kode za klasifikacijo vrste aktivnosti vzdrževanja : doktorska disertacijaTjaša Heričko, 2024, doktorska disertacija 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: 19
Celotno besedilo (5,56 MB) |
3. |
4. Samodejno strojno učenje znotraj relacijske podatkovne baze PostgreSQLAljaž Šek, 2024, diplomsko delo Opis: V diplomskem delu smo predstavili in raziskovali uporabnost integracije samodejnega strojnega učenja znotraj relacijske podatkovne baze PostgresSQL. Osredotočili smo se na primerjavo dveh odprtokodnih orodij, ki to integracijo omogočata, in sicer MindsDB in PostgresML, kateri smo primerjali na praktičnem primeru prodaje vozil. Prikazali smo celoten postopek namestitve, povezovanje s podatkovno bazo in uporabo obeh orodij za gradnjo modela strojnega učenja. Raziskali smo glavne razlike med obema orodjema in na koncu predstavili prednosti in slabosti ter ugotovitve primerjave.
Ključne besede: strojno učenje, samodejno strojno učenje, strojno učenje znotraj relacijskih
podatkovnih baz, MindsDB, PostgresML
Objavljeno v DKUM: 23.12.2024; Ogledov: 0; Prenosov: 13
Celotno besedilo (2,22 MB) |
5. Proceedings of the 10th Student Computing Research Symposium : (SCORES'24)2024, zbornik Opis: The 2024 Student Computing Research Symposium (SCORES 2024), organized by the Faculty of Electrical Engineering and Computer Science at the University of Maribor (UM FERI) in collabora-tion with the University of Ljubljana and the University of Primorska, showcases innovative student research in computer science. This year’s symposium highlights advancements in fields such as ar-tificial intelligence, data science, machine learning algorithms, computational problem-solving, and healthcare data analysis. The primary goal of SCORES 2024 is to provide a platform for students to present their research, fostering early engagement in academic inquiry. Beyond research presen-tations, the symposium seeks to create an environment where students from different institutions can meet, exchange ideas, and build lasting connections. It aims to cultivate friendships and future research collaborations among emerging scholars. Additionally, the conference offers an opportu-nity for students to interact with senior researchers from institutions beyond their own, promoting mentorship and broader academic networking.
Ključne besede: evaluacija, optimizacija, strojno učenje, podatki, zborniki
Objavljeno v DKUM: 26.11.2024; Ogledov: 0; Prenosov: 61
Celotno besedilo (35,41 MB)
Gradivo ima več datotek! Več... |
6. Analiza uporabe umetne inteligence v slovenskih medijih : graduation thesisŽiga Kapun, 2024, diplomsko delo Opis: Uporaba umetne inteligence je prisotna že na nešteto področjih, kjer se uporablja za najrazličnejše namene. Najdemo jo lahko v optimizaciji procesov, pregledovanju velikih količin podatkov ter tudi ustvarjanju vsebin. Podobno kot na drugih področjih, se je umetna inteligenca, ali AI, uveljavila tudi na področju medijev. Tako se diplomska naloga posveča prav uporabi AI na področju medijev v Sloveniji. Naloga le-te je predstaviti vrste AI in možnosti, ki jih slednja omogoča medijem, prav tako pa z analizo ankete predstavi dejansko stanje uporabe AI v Sloveniji.
Ključne besede: umetna inteligenca - AI, mediji, generativna AI, strojno učenje, globoko učenje
Objavljeno v DKUM: 14.11.2024; Ogledov: 0; Prenosov: 56
Celotno besedilo (2,03 MB) |
7. Uporaba strojnega učenja v programskem inženirstvuIvan Tomić, 2024, magistrsko delo Opis: V magistrskem delu je predstavljena uporaba strojnega učenja v programskem inženirstvu. Strojno učenje nam omogoča pridobivanje dragocenih informacij in ustvarjanje napovednih modelov, ki prispevajo k razvoju številnih rešitev na različnih področjih. Eno od teh področji je tudi programsko inženirstvo, kjer nam lahko strojno učenje pomaga izboljšati učinkovitost, pohitriti razvoj in zmanjšati število napak. Z vse večjim številom aplikacij, ki vključujejo strojno učenje pa narašča tudi potreba po razvoju bolj učinkovitih postopkov pri izdelavi programske opreme za te namene. Zato smo v tem magistrskem delu raziskali kako oblikovati postopke za razvoj programske opreme, ki temelji na strojnem učenju, ter predstavili sodobna orodja strojnega učenja za optimalen razvoj AI aplikacij.
Ključne besede: Strojno učenje, Programsko inženirstvo, Optimizacija razvojnih procesov, Orodja umetne inteligence
Objavljeno v DKUM: 22.10.2024; Ogledov: 0; Prenosov: 15
Celotno besedilo (2,49 MB) |
8. Primerjava orodij za razvoj aplikacij za analizo in optimizacijo procesov v industrijiFilip Kralj, 2024, magistrsko delo Opis: Danes inženirji v industriji potrebujejo hitra in zmogljiva programska orodja, ki omogočajo enostavno analizo in modeliranje procesov. Močna razvojna orodja, kot sta MATLAB in SIMULINK, so sicer izjemno uporabna za raziskovalne in razvojne namene, vendar se v neposredni industrijski uporabi še vedno izkazujejo kot premalo praktična. Zato se vse bolj uveljavljajo programska orodja in algoritmi umetne inteligence. Eden izmed teh programskih paketov je CSense podjetja General Electric. CSense omogoča analizo delovanja procesov, identifikacijo vzrokov za izpade v proizvodnji, optimizacijo procesov in številne druge funkcije. V okviru te naloge je bil izveden zajem podatkov z uporabo kombinacije CSense in IFIX okolja, s čimer so bili podatki obdelani in analizirani z namenom izdelave digitalnega dvojčka procesa. Kasneje je bil ta model primerjan z modeli, izdelanimi v okolju MATLAB/SIMULINK. Analiza in primerjava orodij sta bili izvedeni na primeru destilacijskega procesa v Laboratoriju za procesno avtomatizacijo na Fakulteti za elektrotehniko, računalništvo in informatiko (FERI).
Ključne besede: industrijska avtomatizacija, analiza procesov, strojno učenje, digitalni dvojčki, CSense
Objavljeno v DKUM: 22.10.2024; Ogledov: 0; Prenosov: 13
Celotno besedilo (4,87 MB) |
9. Razvoj napovednih modelov z uporabo strojnega učenja za zmanjšanje izmeta v proizvodnji podjetja Talum, d.d.Alen Gojkošek, 2024, magistrsko delo Opis: Magistrsko delo se osredotoča na razvoj napovednih modelov za napovedovanje izmeta aluminijastih izdelkov v proizvodnji podjetja Talum. Raziskava vključuje analizo proizvodnega procesa, obdelavo podatkov in uporabo različnih tehnik strojnega učenja. Z uporabo metod, kot so eksplorativna analiza podatkov, inženiring značilk in k-kratno prečno preverjanje, so bili razviti in ovrednoteni modeli za napovedovanje izmeta. Rezultati kažejo na izboljšano razumevanje dejavnikov, ki vplivajo na izmet, in ponujajo priložnosti za optimizacijo proizvodnega procesa. Delo zaključujejo priporočila za implementacijo modelov in nadaljnje raziskave na tem področju.
Ključne besede: strojno učenje, aluminijasti ulitki, napovedovanje izmeta, optimizacija proizvodnje, analiza podatkov
Objavljeno v DKUM: 22.10.2024; Ogledov: 0; Prenosov: 16
Celotno besedilo (2,61 MB) |
10. Detekcija zamrznjenega koraka in stimulacija v realnem času s personaliziranim nosljivim sistemom za bolnike s Parkinsonovo boleznijo : doktorska disertacijaJan Slemenšek, 2024, doktorska disertacija Opis: Analiza in razumevanje človeškega gibanja odpirata nova vrata na različnih področjih, kot so šport,
robotika, virtualna resničnost, medicina in rehabilitacija. Detekcija specifičnih aktivnosti človeškega
gibanja omogoča razvoj naprednih, personaliziranih naprav, orodij in pripomočkov za medicinske
namene. Zbiranje in analiza gibalnih podatkov omogočata ustvarjanje objektivnejše ocene o
dejanskem motoričnem stanju posameznika ali bolnika, kar lahko poveča učinkovitost treninga,
okrevanja in rehabilitacije. Disertacija predlaga robusten, nosljiv merilni sistem za zajemanje in analizo
človeškega gibanja v realnem času, namenjen bolnikom s Parkinsonovo boleznijo, ki doživljajo epizode
zamrznitve koraka. Gibalni podatki so pridobljeni s pomočjo pospeškometrov, giroskopov in merilnikov
mišične aktivnosti, vgrajenih v elastičen pas, nameščen pod kolenom na obeh nogah. Gibalni podatki
so uporabljeni za učenje in testiranje algoritmov strojnega učenja. Z obširno primerjalno analizo
desetih uveljavljenih klasifikacijskih algoritmov strojnega učenja za namene detekcije petih aktivnosti
smo identificirali kombinacijo konvolucijskih in rekurentnih nevronskih mrež z dodanim mehanizmom
pozornosti kot najbolj učinkovit klasifikacijski model, ki je nove instance klasificiral s točnostjo 98.9 %,
natančnostjo 96.8 %, senzitivnostjo 97.8 %, specifičnostjo 99.1 % ter F1 oceno 97.3 %. Enostavnejša,
čeprav zanemarljivo manj učinkovita kombinacija konvolucijskih in rekurentnih nevronskih mrež z
dodatkom preteklih podatkovnih instanc, je implementirana na mikrokrmilniku in uporabljena za
klasifikacijo novih instanc s frekvenco 40 Hz. Sistem je v realnem času detektiral zamrznjen korak pri
bolnikih s Parkinsonovo boleznijo s točnostjo 95.1 % in povprečno zakasnitvijo 261 ms, pri čemer so
bolniki prejemali stimulacijo po potrebi. Ritmični vibracijski stimulatorji so uspešno zmanjšali
povprečno trajanje zamrznjenega koraka za 38 %.
Ključne besede: Analiza gibanja, Parkinsonova bolezen, zamrznitev koraka, strojno učenje, aktivna stimulacija.
Objavljeno v DKUM: 22.10.2024; Ogledov: 0; Prenosov: 21
Celotno besedilo (6,57 MB) |
