Iskanje po katalogu digitalne knjižnice

Opis: V tej diplomski nalogi smo analizirali in primerjali štiri vodilne platforme za strojno učenje: Google Vertex AI, AWS SageMaker, Azure Machine Learning in Databricks. Osredotočili smo se na njihovo zmogljivost pri treniranju modelov, avtomatizaciji procesov ter uporabniško izkušnjo. Uporabili smo tri različne tipe nalog strojnega učenja: klasifikacijo, regresijo in gručen z uporabo ustreznih javno dostopnih podatkovnih zbirk. Testiranja smo izvedli z uporabo Jupyter zvezkov, ročno hiperparametrizacijo in funkcijami AutoML, kar nam je omogočilo primerjavo med različnimi pristopi na vsaki platformi. Na podlagi analize rezultatov ter uporabniških izkušenj smo izpostavili prednosti in slabosti vsake platforme. Ugotovili smo, da je izbira najbolj primerne platforme odvisna od ciljev, tehničnega znanja uporabnika ter specifičnih zahtev projekta.
Ključne besede: strojno učenje, platforma za strojno učenje, uporabniška izkušnja, umetna inteligenca, zmogljivost platform za strojno učenje
Objavljeno v DKUM: 22.12.2025; Ogledov: 0; Prenosov: 5
Celotno besedilo (4,78 MB)

Opis: V magistrskem delu raziskujemo, kako lahko arhitektura učitelj-študent v kombinaciji z učenjem po učnem načrtu pripomore k zmanjševanju nepravičnosti v modelih strojnega učenja. Razvili smo več pristopov za prenos znanja, pri čemer smo uporabili obteževanje po senzitivnih skupinah in strukturirano inkrementalno učenje. Rezultati eksperimentov na zbirki Adult Income kažejo, da ti pristopi pomembno izboljšajo pravičnost napovedi, čeprav pogosto z rahlim zmanjšanjem točnosti. Magistrsko delo prispeva k razumevanju vpliva strukturiranega učenja in prenosa znanja na pravičnost napovednih modelov.
Ključne besede: strojno učenje, pravičnost, arhitektura učitelj-študent, učenje z učnim načrtom, destilacija znanja
Objavljeno v DKUM: 22.12.2025; Ogledov: 0; Prenosov: 1
Celotno besedilo (2,47 MB)

Opis: V magistrskem delu se osredotočamo na problematiko manjkajočih vrednosti, ki pomembno vplivajo na napovedno uspešnost modelov strojnega učenja. V uvodnem delu magistrskega dela smo opisali problem manjkajočih vrednosti in teoretično predstavili osnove strojnega učenja. V eksperimentalnem delu smo razvili lastno arhitekturo za zapolnjevanje manjkajočih vrednosti. Pri razvoju smo se zgledovali po modelih GPT-2 in SAITS. Razvito arhitekturo smo ovrednotili, analizirali in rezultate primerjali z modeli linearne interpolacije, SAITS in KNN. Izkazalo se je, da je linearna interpolacija pri zapolnjevanju manjkajočih vrednosti PM2.5 najuspešnejša, vendar razlike med modeli linearne interpolacije, Transformer in SAITS ne presegajo 0,2 MAE. Glede na napovedno uspešnost se je arhitektura Transformer uvrstila na drugo mesto. Arhitektura KNN je ne glede na postajo ali delež manjkajočih vrednosti dosegla najslabši rezultat. Višje dimenzije vdelav so pri modelih Transformer izboljšale napovedno uspešnost, medtem ko pri modelih SAITS nismo videli podobnega učinka. Prav tako smo ugotovili, da višanje deleža manjkajočih vrednosti negativno vpliva na napovedno uspešnost modelov.
Ključne besede: arhitektura Transformer, nevronske mreže, zapolnjevanje manjkajočih vrednosti, SAITS, strojno učenje.
Objavljeno v DKUM: 16.12.2025; Ogledov: 0; Prenosov: 8
Celotno besedilo (2,27 MB)

Opis: V magistrskem delu so predstavljeni temeljni koncepti strojnega učenja in orodja za njihovo implementacijo, s posebnim poudarkom na praktičnem učenju z uporabo programskega jezika Python in njegovih uveljavljenih knjižnic, kot so NumPy, Pandas, Scikit-learn, Matplotlib, Keras in TensorFlow. Delo sistematično opisuje ključne faze razvoja modelov strojnega učenja, ki vključujejo pridobivanje in predobdelavo podatkov, izvedbo eksplorativne analize, uporabo različnih algoritmov za učenje ter vrednotenje njihove uspešnosti z ustreznimi metričnimi kazalci. V praktičnem delu so podrobneje prikazani trije primeri uporabe. Prvi primer obravnava napoved topnosti spojin, pri čemer je bil na osnovi javno dostopnega nabora podatkov razvit regresijski model za napoved kvantitativnih vrednosti. Drugi primer prikazuje uporabo klasifikacijskega modela za razvrščanje podatkov, pri čemer je bil poseben poudarek namenjen vrednotenju uspešnosti modela z različnimi metrikami. Tretji primer vključuje učenje večplastne nevronske mreže na znanem podatkovnem naboru ročno napisanih številk MNIST in ilustrira celoten proces – od priprave podatkov, nastavitve arhitekture modela, učenja modela, do vizualizacije in interpretacije rezultatov. Rezultati teh primerov potrjujejo, da je strojno učenje mogoče učinkovito približati študentom kemijskega inženirstva s kombinacijo teoretičnih osnov in praktičnih vaj, kar pomembno prispeva k njihovi boljši usposobljenosti za izzive sodobne industrije.
Ključne besede: strojno učenje, kemijsko procesno inženirstvo, nevronske mreže, regresija, klasifikacija
Objavljeno v DKUM: 30.10.2025; Ogledov: 0; Prenosov: 14
Celotno besedilo (3,02 MB)

Opis: Diplomsko delo se ukvarja z razvojem računskega modela za detektiranje krošenj dreves v tlorisni sliki gozda. Na osnovi študija literature smo ugotovili, da je problem najlažje rešljiv z uporabo konvolucijskih nevronskih mrež. Za praktični del tega zaključnega dela smo izbrali prepoznavalnik YOLO (angl. You Only Look Once). Svojo rešitev z uporabo različice YOLO v7 smo implementirali v orodju DarkNet. Pripravili smo lastno zbirko slik, ki smo jih zajeli s pomočjo brezpilotnega letalnika. Množico podatkov smo ustrezno razdelili v učno in testno množico. Analiza dobljenih rezultatov je pokazala, da je naša rešitev zmožna prepoznavati krošnje dreves v tlorisnih slikah gozdov. Metrika natančnost je bila nad 90 %, je pa bila metrika priklic nekoliko nižja, tj. okrog 50 %. Diplomsko delo podaja tudi nekaj smernic za uporabo tako naučenih modelov v gozdarstvu.
Ključne besede: strojno učenje, konvolucijske nevronske mreže, model “You Only Look Once“ (YOLO), računalniški vid, prepoznava objektov s slike
Objavljeno v DKUM: 01.10.2025; Ogledov: 0; Prenosov: 28
Celotno besedilo (3,69 MB)