Iskanje po katalogu digitalne knjižnice

Opis: Na svetu je rak materničnega vratu (RMV) četrti najpogostejši rak pri ženskah. V Sloveniji je bil pri ženskah leta 2017 na sedemnajstem mestu. Z ustreznim presejanjem, zgodnjim odkrivanjem predrakavih sprememb in njihovim zdravljenjem, ga je mogoče preprečiti. Metode umetne inteligence ('artificial intelligence – AI') bi lahko postale orodje, ki bi pripomoglo k rešitvi problema RMV. Z našo študijo smo želeli preveriti, ali lahko z umetnimi nevronskimi mrežami na podlagi dejavnikov tveganja za razvoj ploščatocelične intraepitelijske lezije (PIL) na materničnem vratu (MV) in RMV ter izvida zadnjega brisa materničnega vratu (BMV) napovemo, ali bo končni histološki izvid konusa PIL visoke stopnje (PIL-VS) oziroma RMV ali ne. Poleg nevronskih mrež smo preizkusili tudi nekatere druge klasifikacijske sisteme. Za analizo smo uporabili podatke 1475 pacientk, ki so imele narejeno konizacijo na Kliniki za ginekologijo in perinatologijo Univerzitetnega kliničnega centra Maribor v letih 1993–2005. Vse podatke smo anonimizirali. Uporabili smo metode za uravnoteženje manjšinskega in večinskega razreda. Za analizo smo oblikovali več baz, izvedli pa smo jo z odprtokodnim programskim paketom za podatkovno rudarjenje WEKA. Nevronske mreže so bile uspešnejše pri napovedovanju tveganih pacientk kot večinski algoritem. V naši študiji se je klasifikacijski algoritem Random Forest s sestavljeno metodo 'bagging' izkazal kot najuspešnejši in bi bil primeren za klinično uporabo.
Ključne besede: rak materničnega vratu, ploščatocelična intraepitelijska lezija visoke stopnje, umetna inteligenca, umetne nevronske mreže, napovedovanje tveganja
Objavljeno v DKUM: 24.08.2023; Ogledov: 456; Prenosov: 31
Celotno besedilo (4,12 MB)

Opis: Izziv dela predstavlja snovanje, načrtovanje in praktična izvedba avtomatiziranega trgovalnega sistema, ki neodvisno in brez posredovanja uporabnikov sprejema in izvaja trgovalne odločitve. Jedro trgovalnega sistema predstavlja trgovalna strategija, ki spremlja pretekle ter aktualne podatke borznih kotacij, izvaja tehnično analizo in, če je tega sposobna, se prilagaja sprotnim razmeram na finančnih trgih. Obravnavamo dve skupini trgovalnih strategij, klasične, ki niso sposobne sprotnega prilagajanja niti učenja, in dve trgovalni strategiji na osnovi naprednih algoritmov umetne inteligence, eno izmed njih predstavnico umetnih nevronskih mrež najnovejše tretje generacije. Izvedemo obširna simulacijska eksperimentiranja na osnovi nemškega delniškega trga v zadnjih desetih letih, zasnujemo in izvedemo pa tudi eksperimentiranja na namenski strojni opremi, ki močno pohitri kompleksnost časovnega izvajanja, ter eksperimentiranja na analognem elektronskem vezju, s pomočjo katerega se podrobno seznanimo z načinom propagiranja informacij umetnih nevronskih mrež tretje generacije. Rezultati eksperimentov prinašajo tako vsebinske kot tehnične ugotovitve, najpomembnejšo med njimi, da se enoten model ki hkrati trguje z večjim številom finančnih instrumentov obnaša podobno kot kopica posamično prilagojenih modelov na točno določen finančni instrument, kakor tudi novo ugotovljene izkušnje vezane na propagiranje in izrabo najnovejše generacije umetnih nevronskih mrež.
Ključne besede: umetna inteligenca, portfelj delnic, umetne nevronske mreže, mehanski trgovalni sistem
Objavljeno v DKUM: 14.11.2022; Ogledov: 835; Prenosov: 174
Celotno besedilo (5,58 MB)

Opis: Z razvojem področja globokega učenja, ki temelji na umetnih nevronskih mrežah, se danes poskušajo rešiti že znani problemi področja obdelave naravnega jezika. V tem magistrskem delu obravnavamo problem razpoznavanja in klasifikacije imenskih entitet z uporabo metod globokega učenja. V magistrski nalogi smo uporabili programski jezik Python in odprtokodno knjižnico Keras. Preizkusili smo različne arhitekture rekurentnih nevronskih mrež, ki uporabljajo pomnilne celice LSTM in GRU. Prav tako smo opravili različne poskuse, v katerih smo iskali optimalne parametre nevronske mreže z namenom natančnega razpoznavanja in klasifikacije imenskih entitet. Učenje nevronske mreže in vrednotenje modelov smo izvedli na korpusih, ki so bili predstavljeni na konferenci CONLL leta 2003.
Ključne besede: obdelava naravnega jezika, razpoznavanje imenskih entitet, umetne nevronske mreže, LSTM, GRU
Objavljeno v DKUM: 14.02.2019; Ogledov: 1999; Prenosov: 222
Celotno besedilo (4,85 MB)

Opis: Odpadne vode iz tekstilne industrije, ki nastajajo pri plemenitenju tekstilnih materialov, so zaradi svoje obarvanosti in heterogene sestave tako estetski kot tudi ekološki problem. V članku je opisan evropski projekt ADOPBIO, ki ponuja alternativno rešitev čiščenja teh odpadnih voda. Namen projekta ADOPBIO je razviti in ponuditi rešitev čiščenja in recikliranja odpadne vode iz tekstilne plemenitilne industrije. Cilj projekta je razviti metodo, ki zagotavlja popolno razbarvanje in 75-odstotno recikliranje odpadne vode iz plemenitilnic. ADOPBIO združuje dve najboljši razpoložljivi tehniki za čiščenje odpadne vode: tehniko AOP z bioflotacijo. Ta kombinacija metod čiščenja odpadnih voda iz tekstilne industrije do začetka projekta še ni bila preizkušena. Vloga Oddelka za tekstilne materiale in oblikovanje pri tem projektu je bila raziskati in proučiti možnost razbarvanja odpadnih voda iz dveh sodelujočih tekstilnih podjetij z naprednima oksidacijskima postopkoma: s postopkom, pri katerem aktiviramo $H_2O_2$ termično ob prisotnosti katalizatorja, in s postopkom, kjer aktiviramo $H_2O_2$ z UV žarki. Z obdelavo termo/$H_2O_2$/katalizator, ki ji je sledila obdelava UV/$H_2O_2$, smo za odpadne vode iz podjetja TSP v povprečju dosegli 70-odstotno razbarvanje, za odpadne vode iz podjetja Blondel pa 87-odstotno razbarvanje.
Ključne besede: tekstilna industrija, odpadne vode, čiščenje odpadnih vod, razbarvanje, recikliranje, napredni oksidacijski postopki, bioflotacija, regulacijska programska oprema, umetne nevronske mreže, Plackett-Burmanov eksperimentalni načrt
Objavljeno v DKUM: 31.08.2017; Ogledov: 2688; Prenosov: 147
Celotno besedilo (1,13 MB)
Gradivo ima več datotek! Več...

Opis: V magistrskem delu smo uporabili algoritme po vzorih iz narave za finančna modeliranja. Najprej smo uporabili umetne nevronske mreže za napovedovanje cene delnice, nato pa še genetske algoritme za optimizacijo portfelja delnic, ki smo jih primerjali s kvadratnim programiranjem. V raziskavi se je izkazalo, da lahko s umetnimi nevronskimi mrežami bolje ocenimo variančno-kovariančno matriko, kot če bi uporabili zgodovinske podatke. Pri reševanju problema optimizacije portfelja delnic se je izkazalo, da lahko z genetski algoritmi dobimo rezultate primerljive s kvadratnim programiranjem, saj rezultati med tehnikama, predvsem pri manjšem porteflju, v glavnem niso statistično značilni.
Ključne besede: finančni trg, teorija upravljanja portfelja, umetne nevronske mreže, genetski algoritmi, Markowitzev model, optimizacija, večkriterijska optimizacija
Objavljeno v DKUM: 30.03.2015; Ogledov: 2419; Prenosov: 279
Celotno besedilo (4,12 MB)