1. Napredne tehnologije in metodologije za pametno proizvodnjo : magistrsko deloAna Bedrač, 2023, magistrsko delo Opis: V magistrski nalogi je predstavljen koncept pametne proizvodnje. Predstavljene so ključne značilnosti, ki po mnenju različnih avtorjev oblikujejo pametno proizvodnjo. Obravnavanih je več primerov oz. konceptov pametne proizvodnje, pri čemer se podrobneje osredotočamo na opredelitev pametne proizvodnje po avtorju A. Kusiaku. Predstavljene so ključne tehnologije in metodologije, ki so že v uporabi ali pa imajo velik potencial, da se bodo še uveljavile. Magistrska naloga vključuje sodobne trende na področju pametne proizvodnje. Izpostavljene so tehnologije in metodologije, ki so trenutno najsodobnejše, še posebej pa napredne proizvodne tehnologije, strojno učenje in tudi blokovne verige v povezavi z ekonomijo strojev. Nekatere od predstavljenih tehnologij in metodologij so obravnavane na praktičnih primerih. Ključne besede: pametna proizvodnja, umetna inteligenca, strojno učenje, globoko učenje, blokovne verige, ekonomija strojev, veliki podatki, kibernetsko-fizični sistem, digitalni dvojček, internet stvari, pametni materiali. Objavljeno v DKUM: 09.03.2023; Ogledov: 175; Prenosov: 47
Celotno besedilo (2,50 MB) |
2. Spremljanje obrabe rezalnega orodja z uporabo umetne inteligence : diplomsko deloAndrej Jukić, 2022, diplomsko delo Opis: V diplomskem delu so na začetku predstavljena obravnavana področja, kjer se teoretično spoznamo s proizvodnimi sistemi, umetno inteligenco, klasifikacijo, učnimi algoritmi, merami za ocenjevanje in z obdelovalnim postopkom rezkanja. Bistvenega pomena je področje klasifikacije in mer za ocenjevanje, zaradi tega sta ti dve področji bolj podrobno opisani. Po teoretičnem izhodišču sledi poglavje praktične izvedbe, pri katerem smo predstavljeno teorijo uresničili. V tem sklopu so opisani trije poizkusi, kjer smo preverjali zastavljene teze s pomočjo gravirnega stroja Lakos 150 in računalniškega programa Matlab, ki je podpiral strojno učenje (klasifikacijo). S poizkušanjem smo tako potrdili vse teze, dosegli večino zastavljenih ciljev, pri čemer nismo dosegli glavnega cilja dela (uspešna klasifikacija glede na status orodja) zaradi strokovne zahtevnosti področja. Ključne besede: umetna inteligenca, strojno učenje, klasifikacija, rezkanje Objavljeno v DKUM: 25.10.2022; Ogledov: 162; Prenosov: 20
Celotno besedilo (2,03 MB) Gradivo ima več datotek! Več... |
3. Vzorčenje soseščine v heterogenih grafih pri grafovskih nevronskih mrežah : magistrsko deloVid Keršič, 2022, magistrsko delo Opis: Grafovske nevronske mreže so v zadnjem času eno izmed najbolj aktivnih področij raziskovanja globokega učenja. Uspešno so bile uporabljene pri problemih, kjer so podatki predstavljeni v obliki grafa, na primer pri analizi družbenih omrežij, napovedovanju prometa, razvoju zdravil itd. Kljub nekaterim zelo dobrim rezultatom pa ostaja še veliko odprtih izzivov pri uporabi nevronskih mrež na zelo velikih grafih, kjer smo omejeni z zmogljivostjo strojne opreme. V magistrskem delu naslavljamo problem uporabe grafovskih nevronskih mrež na obsežnih heterogenih grafih, kjer se med učenjem izvaja vzorčenje soseščine na vsaki plasti mreže, pri čemer se velikosti vzorca omejijo s hiperparametri. Heterogeni grafi vsebujejo več različnih tipov vozlišč in povezav, kar je pri vzorčenju soseščine koristno upoštevati in optimizirati vrednosti hiperparametrov za posamezne tipe povezav. Za reševanje tega problema predstavimo in analiziramo lasten algoritem, ki odpravi potrebo po časovno zahtevnem procesu obravnavanja in nastavljanja hiperparametrov za vse tipe vozlišč ter povezav. Prednosti algoritma z vidika časovne zahtevnosti in uspešnosti klasifikacije prikažemo na dveh grafih – akademskem grafu MAG240M, ki vsebuje več kot 240 milijonov vozlišč in nekaj manj kot 2 milijardi povezav, ter grafu znanja Freebase. Ključne besede: umetna inteligenca, strojno učenje, heterogeni grafi, grafovske nevronske mreže Objavljeno v DKUM: 20.10.2022; Ogledov: 143; Prenosov: 29
Celotno besedilo (1,59 MB) |
4. OTS 2022 Sodobne informacijske tehnologije in storitve : zbornik petindvajsete konference, Maribor, 7. in 8. september 20222022, zbornik Opis: V zborniku petindvajsete konference OTS 2022 so objavljeni prispevki strokovnjakov s področja informatike, v katerih so predstavljene izkušnje in, skozi konkretne projekte, dokazano uspešni pristopi in dobre prakse naslavljanja arhitekturnih izzivov, povezanih z vpeljavo umetne inteligence in strojnega učenja, zasnove in vpeljave rešitev poslovne inteligence, učinkovite obdelave velepodatkov in podatkovnih tokov, apliciranja vzorcev pri zasnovi mikrostoritvenih in brezstrežniških arhitektur, uporabe zmožnosti tehnologij veriženja blokov in decentraliziranih aplikacij, digitalne preobrazbe in posodobitve IKT rešitev na osnovi funkcionalnosti, ki jih omogočajo digitalne denarnice, apliciranja agilnih metod ter izboljšanjem odzivnosti pri zagotavljanju učinkovite podpore poslovnim procesom, integracije sistemov in razvoja podpornih storitev pametnega doma, telemedicine in zelenega prehoda, razvoja in optimizacije mobilnih, spletnih in oblačnih rešitev ter uporabe sodobnih in aktualnih, tudi odprtokodnih, tehnologij pri razvoju naprednih informacijskih rešitev in storitev. Ključne besede: informatika, informacijske tehnologije, programsko inženirstvo, informacijske rešitve, digitalna preobrazba, razvoj mobilnih in spletnih rešitev, poslovna inteligenca, umetna inteligenca in strojno učenje, obdelava velepodatkov in podatkovnih tokov, agilne metode, tehnologije veriženja blokov, kibernetska varnost Objavljeno v DKUM: 07.09.2022; Ogledov: 297; Prenosov: 66
Celotno besedilo (44,60 MB) Gradivo ima več datotek! Več... |
5. Digitalna transformacija v zdravstvuLara Cigler, 2022, magistrsko delo Opis: Nenehen razvoj tehnologije sili različne industrije in gospodarske sektorje k razvoju ter uvedbi različnih tehnoloških rešitev, ki organizacijam prinašajo številne izzive, hkrati pa omogočajo tudi možnost pridobitve konkurenčnih prednosti, kar je v današnjih časih ključnega pomena, če želimo naše organizacije dolgotrajno obdržati na trgu. To pa od organizacij ne zahteva zgolj zunanje preobrazbe organizacije, temveč predvsem notranje preoblikovanje. Da bi se organizacija pravilno odločila, v kaj se morajo usmeriti, potrebujejo jasno zastavljen cilj in vizijo. Pripraviti in izbrati morajo ustrezen pristop ter kasneje tudi negovati svojo odločitev, saj preoblikovanje organizacije ni zgolj kratkoročen in enkraten proces, ampak ga moramo tudi spremljati, prilagajati ter izboljševati v prihodnosti. Zato smo se v magistrskem delu osredotočili na digitalno transformacijo, predstavili, kaj ta pojem pomeni, zakaj je prišlo do digitalne transformacije organizacij in katere tehnologije omogočajo le-to, kaj vse ter katera področja zajema. Predstavili smo poslovni model, ki postaja vse bolj priljubljen med organizacijami in brez katerega le-te ne morejo več dobičkonosno poslovati. Ker ne vemo in si niti ne moremo predstavljati, kako daleč lahko pripelje razvoj tehnologije ter kako lahko spremeni in olajša človekov vsakdan, smo raziskali tudi trende, ki napovedujejo, da se bodo pojavili na tem področju. Ker že nekaj časa živimo v »covid« časih, če le-te lahko tako imenujemo, smo se odločili, da se osredotočimo na transformacijo organizacij v zdravstveni industriji. Zanimalo nas je, kakšne priložnosti in izzive prinaša tehnologija v tej industriji, kakšen vpliv ima na organizacijo samo, kakor tudi na potrošnika te storitve, kakšne prednosti ter slabosti prinaša itd. Ogledali smo si tudi primer digitalne transformacije mednarodno priznane organizacije Philips, ki jo v večini poznamo kot organizacijo, usmerjeno k proizvajanju in ponujanju različnih vrst produktov, od gospodinjskih ter kuhinjskih aparatov, do bele tehnike in še bi lahko naštevali. Mi pa vam bomo predstavili organizacijo Philips kot organizacijo, ki je razvila številne zdravstveno-informacijske rešitve (angl. Healthtech), z namenom izboljšanja in sodelovanja pri prihodnosti svetovnega zdravstvenega varstva. Ključne besede: digitalna transformacija, Philips, Healthtech, zdravstveno varstvo, umetna inteligenca, strojno učenje. Objavljeno v DKUM: 09.06.2022; Ogledov: 355; Prenosov: 71
Celotno besedilo (1,98 MB) |
6. Strojno učenje : s Pythonom do prvega klasifikatorjaSašo Karakatič, Iztok Fister, 2022 Opis: Knjiga služi kot uvod v področje strojnega učenja za vse, ki imajo vsaj osnovne izkušnje s programiranjem. Pregledajo se pomembni pojmi strojnega učenja (model znanja, učna in testna množica, algoritem učenja), natančneje pa se predstavi tehnika klasifikacije in način ovrednotenja kvalitete modelov znanja klasifikacije. Spozna se algoritem klasifikacije k najbližjih sosedov in predstavi se uporaba tega algoritma – tako konceptualno kakor v programski kodi. Knjiga poda številne primere v programskem jeziku Python in okolju Jupyter Notebooks. Za namen utrjevanja znanja pa so ponujene naloge (tako računske, kot programerske) s podanimi rešitvami. Ključne besede: strojno učenje, umetna inteligenca, klasifikacija, k najbližjih sosedov, Python Objavljeno v DKUM: 27.01.2022; Ogledov: 1115; Prenosov: 205
Celotno besedilo (7,04 MB) Gradivo ima več datotek! Več... |
7. Poslovni učinki rabe umetne inteligence v CRM na primeru rešitve SalesforceDenis Gönc, 2021, magistrsko delo Opis: V magistrskem delu smo preučili rabo umetne inteligence (AI) v najbolj napredni rešitvi za upravljanje odnosov s strankami (CRM) Salesforce. Na konkurenčnem trgu kombinacija CRM-rešitve in AI omogoča, da podjetja izstopajo od povprečja in postanejo učinovitejša pri poslovanju ter zmanjšajo svoje stroške. Prodajnikom se s tem pristopom olajša delo, saj AI daje priporočila za najboljši naslednji korak, pripomore k oblikovanju nadzornih plošč in vpogledov ter omogoča izdelavo raznih napovednih modelov. Zaradi avtomatizacije se lahko osredotočajo na druga bolj pomembna opravila. CRM-rešitve so že v osnovi zelo napredne, vendar dodatek AI izboljša njihove zmogljivosti in podjetjem omogoča, da presežejo zastavljene cilje.
V prvem delu magistrske naloge smo najprej preučili AI, predstavili njeno zgodovino, opisali področja rabe in najbolj znane ponudnike. Preučili smo tudi okrepitev varnosti in predpostavke različnih znanstvenikov o njenem razvoju v prihodnosti. V nadaljevanju smo preučili CRM-rešitve, njihove značilnosti, prednost in slabosti, zgodovino, trende ter opisali tudi njene največje ponudnike .
V drugem delu smo opisali vodilno CRM-rešitev Salesforce, predstavili njene produkte, opisali skupne stroške lastništva teh produktov in utemeljili, zakaj spada med najbolj priljubljene CRM-rešitve na svetu. V nadaljevanju smo opisali Einstein AI, ki je vgrajena v jedro platforme Salesforce in s svojim naborom rešitev zagotavlja napredne zmogljivosti. Na koncu smo opisali 12 študij primerov, s katerimi smo ugotavljali, kako podjetja iz različnih panog uporabljajo Einstein AI v vodilni CRM-rešitvi in kakšne rezultate so s tem dosegli. Ključne besede: umetna inteligenca, upravljanje odnosov s strankami, CRM, salesforce, Einstein AI, strojno učenje, globoko učenje, oblačna rešitev, študije primerov, poslovni učinki. Objavljeno v DKUM: 20.10.2021; Ogledov: 671; Prenosov: 92
Celotno besedilo (1,92 MB) |
8. Celovit pregled orodij za samodejno strojno učenje : diplomsko deloTomi Milošič, 2021, diplomsko delo Opis: V diplomski nalogi smo raziskali področje samodejnega strojnega učenja, osredotočili smo se na orodja za samodejno strojno učenje in poudarili njihove prednosti in slabosti na podlagi primerjave glede na različne nabore podatkov. Osredotočili smo se tudi na metodo klasifikacije, saj je to pogosta naloga strojnega učenja. Namen diplomske naloge je ugotoviti, katero orodje je najbolj optimalno za posamezno nalogo. Diplomsko nalogo smo razdelili na dva dela, in sicer teoretični del in praktični del. V teoretičnem delu smo se osredotočili na razjasnitev pojmov, zgodovino strojnega učenja in opis orodij samodejnega strojnega učenja. V praktičnem delu smo opravili primerjave med orodji in ugotovili, da le-ta vračajo podobne rezultate klasifikacije različno hitro. Ugotovili smo tudi, da so orodja namenjena uporabnikom, ki niso strokovnjaki na področju strojnega učenja, in da si orodja delijo skupne značilnosti. Ključne besede: klasifikacija, strojno učenje, samodejno strojno učenje, umetna inteligenca Objavljeno v DKUM: 18.10.2021; Ogledov: 589; Prenosov: 97
Celotno besedilo (1,37 MB) |
9. Razvoj metodologije za avtomatično klasifikacijo elektronskih publikacij v univerzalno decimalno klasifikacijo – udk24112018Matjaž Kragelj, 2019, doktorska disertacija Opis: Čeprav so znanstveni in strokovni članki večinoma bibliografsko obdelani in imajo zapis v knjižničnem katalogu COBIB, ter s tem definiranega enega ali več vrstilcev iz sistema Univerzalne decimalne klasifikacije (UDK), je večina člankov, dostopnih prek portala Digitalne knjižnice Slovenije, predvsem s področja kulture (starejši članki iz revij in časopisov), ki takšnega zapisa nimajo. Na spletnem mestu Digitalne knjižnice Slovenije je mogoče preiskovanje dokumentov zgolj po polnem besedilu. To je trenutno najboljše orodje za preiskovanje starejših besedil, a uporaba in preiskovanja publikacij na tak način, zaradi pomanjkljivosti (slabša kvaliteta razpoznave besedila v časopisih in revijah starejšega tipa, uporaba stare slovenščine, itd.) in prevelikega števila vrnjenih zadetkov pri iskanju, ne nudi sodobne uporabniške izkušnje in uporabniku otežuje delo. Osnovni problem, ki ga naslavljamo v disertaciji je pomoč pri bibliografski obdelavi besedil, ki je še vedno v rokah človeških ekspertov. Izhajamo iz teze, da je s pomočjo metod strojnega učenja možno avtomatsko klasificirati besedila v ustrezen UDK vrstilec in s tem podpreti človeka pri bibliografski obdelavi zapisov. V ta namen smo po pristopu načrtovanja in razvoja razvili klasifikacijski model, ki smo ga uporabili za klasificiranje starih besedil, ki so bila doslej klasificirana večinoma zgolj posredno, preko klasifikacije celotne revije oz. časopisa, kot na primer "Časopisi. Tisk. Novinarstvo".
V disertaciji smo razvili klasifikacijski model s pomočjo metod strojnega učenja, s katerimi smo uspeli avtomatsko klasificirati kakršnokoli besedilo s pomočjo Univerzalne decimalne klasifikacije. Med tehnikami strojnega učenja smo se poslužili nenadzorovanega in nadzorovanega učenja. V prvem koraku smo nad manjšo množico podatkov (900 člankov) nenadzorovano učenje uporabili za preverjanje sorodnosti med dodeljenimi UDK vrstilci s strani bibliotekarjev in izgrajenimi gručami s strani algoritma. V drugem koraku smo nad celotnim korpusom znanstvenega časopisja Digitalne knjižnice Slovenije (več kot 70.000 znanstvenih besedil) razvili klasifikacijske modele, kjer je bilo razmerje učne in testne množice je bilo 80/20 odstotkov. Ko smo potrdili uspešnost klasifikacijskih modelov nad znanstvenimi besedili, smo jih uporabili za klasifikacijo več kot 200.000 starejših besedil. Uporabili smo Naivni Bayesov klasifikator, Metodo podpornih vektorjev, Večslojni perceptron, Logistično regresijo in algoritem k najbližjih sosedov. Ustreznost klasifikacije starih besedil smo preverili s človeškimi eksperti – bibliotekarji. Potrdili smo domnevo, da lahko s pomočjo znanstvenih in strokovnih člankov, klasificiranih v UDK, v vsaj 80% primerov ponudimo avtomatsko določene UDK vrstilce za starejše gradivo, ki ni bibliotekarsko obdelano. Poudariti velja, da gre pri tem delu za človeško odločitev, testiranje s človeškimi eksperti, za oceno in presojo, ki lahko variira od odločevalca do odločevalca.
Poleg oplemenitenja starejših besedil iz osemnajstega, devetnajstega in prve polovice dvajsetega stoletja s vsebinskimi oznakami UDK vrstilcev, ima raziskava praktično moč v vsakodnevni rabi. Z gledišča podpore avtomatske klasifikacije publikacij pri vsakodnevnem delu bibliotekarjev, vidimo moč implementacije raziskave v informacijski sistem, ki je bibliotekarju sposoben v realnem času ponuditi izračunane predloge za določitev primernih klasifikatorjev publikacije, ki jo obdeluje. Bibliotekar lahko pridobi s strani stroja "drugo mnenje" pri procesu dodeljevanja UDK vrstilcev publikaciji, ki jo obdeluje. Hkrati je metodologija lahko uporabljena na različnih področjih in podatkovnih bazah ter klasifikacijskih sistemih, ne zgolj za dodeljevanje UDK vrstilcev. Ključne besede: Umetna inteligenca, strojno učenje, podatkovno rudarjenje, Univerzalna decimalna klasifikacija, klasifikacija besedil Objavljeno v DKUM: 03.02.2021; Ogledov: 913; Prenosov: 84
Celotno besedilo (4,35 MB) |
10. Ocenjevanje zaupanja v globokih nevronskih mrežah : magistrsko deloDaniel Hari, 2020, magistrsko delo Opis: V magistrskem delu so predstavljeni pristopi ocenjevanja zaupanja v globokih nevronskih mrežah na primeru razpoznave števk. Ti pristopi nam omogočajo izboljšavo kakovosti razpoznave števk, s čimer se približamo natančnosti človeka, ki za bazo MNIST znaša 97,5–98 %.
V delu se bomo osredotočili predvsem na dva pristopa, in sicer z Bayesovim učenjem in vzorčenjem z izpustnimi sloji. Bayesovo učenje je matematično bolj zahteven postopek, saj deluje tako, da vsak vhodni podatek v nevronsko mrežo obravnavamo kot porazdelitev verjetnosti in ne kot deterministično določeno vrednost. Pri tehniki vzorčenja z izpustnimi sloji je za vsakim skritim slojem mreže dodan stohastični izpustni sloj, tako da lahko na izhod iz modela gledamo kot na naključni vzorec, ki je ustvarjen iz aposteriorne porazdelitve. Takšen postopek je sicer računsko manj zahteven, daje pa podoben rezultat.
Magistrsko delo je sestavljeno iz teoretičnega in eksperimentalnega dela. V teoretičnem delu so predstavljeni pojmi, kot so umetna inteligenca in sestava nevronske mreže ter podroben opis Bayesovega učenja in vzorčenja z izpustnimi sloji. V eksperimentalnem delu so prikazani pristopi razpoznave števk z Bayesovim učenjem in pristopi, ki uporabljajo tehnike vzorčenja z izpustnimi sloji. Podana je tudi primerjava postopkov. Ključne besede: umetna inteligenca, Bayesov pristop, izpustni sloji, strojno učenje. Objavljeno v DKUM: 29.01.2021; Ogledov: 749; Prenosov: 127
Celotno besedilo (2,94 MB) |