1. Rudarjenje asociativnih pravil v poslovnih aplikacijahAljaž Lipar, 2025, master's thesis Abstract: V magistrski nalogi smo obravnavali tehniko, poimenovano rudarjenje asociativnih pravil, katere namen je odkrivanje in podrobno razumevanje skritih vzorcev v podatkih. Odkrite skrite vzorce pa predstavljajo asociativna pravila, ki se pri tem postopku ustvarijo in služijo kot smernice za priporočanje izdelkov ali produktov, optimizacijo zalog in analizo nakupovalnih navad. Predstavili smo tudi, kaj so optimizacijski algoritmi, ki jih rudarjenje asociativnih pravil uporablja, in kako delujejo. Velik poudarek smo podali tudi na personalizacijo, kaj je, kakšne
vplive ima na ljudi, prav tako pa smo podali par praktičnih primerov. Nato smo opisali orodja, ki smo jih uporabljali, podrobneje predstavili uARMSolver ter kako ga vzpostaviti in uporabiti. Nato smo opisali našo izdelano rešitev, na koncu pa opravili še analizo ter interpretacijo rezultatov.
Keywords: Algoritem, asociativna pravila, diferencialna evolucija, personalizacija, rudarjenje
Published in DKUM: 03.03.2025; Views: 0; Downloads: 12
 Full text (2,36 MB) |
2. |
3. |
4. Uporaba paralelnih evolucijskih algoritmov za reševanje več-kriterijskih optimizacijskih problemov : magistrsko deloAleš Gartner, 2024, master's thesis Abstract: V sklopu magistrskega dela predstavimo in implementiramo nov paralelni evolucijski algoritem z otoškim paralelnim modelom I-DEMO, ki algoritem diferencialne evolucije za več-kriterijsko optimizacijo (angl. Differential Evolution Multiobjective Optimization, krajše DEMO) razširi s koncepti paralelnih več-kriterijskih evolucijskih algoritmov. Učinkovitost algoritma I-DEMO nato primerjamo z originalnim algoritmom DEMO na testnih več-kriterijskih problemih. S statistično analizo dobljenih rezultatov smo pokazali, da je algoritem I-DEMO boljši od algoritma DEMO, če oba uporabljata selekcijsko strategijo, ki temelji na indikatorjih kakovosti. Z dodatnimi testi in analizo njihovih rezultatov smo pokazali tudi, da različica algoritma I-DEMO, ki uporablja selekcijsko strategijo, ki temelji na indikatorjih kakovosti, dosega boljše rezultate kot ostale selekcijske strategije, in da večje število otokov v splošnem poslabša učinkovitost algoritma.
Keywords: več-kriterijska optimizacija, evolucijsko računanje, paralelni evolucijski algoritmi, diferencialna evolucija
Published in DKUM: 06.02.2025; Views: 0; Downloads: 11
Full text (1,73 MB) |
5. Napovedovanje temperature zraka na mikrolokaciji s pomočjo globokega učenjaAmadej Krepek, 2024, master's thesis Abstract: Živimo v času nenehnega tehnološkega napredka, ko se umetna inteligenca vztrajno vključuje v naš vsakdan. Zaradi vse pogostejših ekstremnih vremenskih pojavov se je pojavila potreba po ažurnih in kvalitetnih kratkoročnih vremenskih napovedih. Z uporabo umetne inteligence pa vse to poteka veliko hitreje kot z računanjem fizikalnih modelov. S pomočjo globokega učenja je bil ustvarjen model napoveditemperature zraka za naslednjih 12 ur. Najboljši rezultat je pri izbranemu napovednemu modelu za določeno obdobje spomočjo izbrane metrike MAE1
znašal 0,4 stopinje Celzija, medtem ko je imel referenčni model vrednost te metrike kar 2,4 stopinje Celzija.
Keywords: nevronska mreža, temperatura zraka, mikrolokacija, napoved, vreme
Published in DKUM: 23.12.2024; Views: 0; Downloads: 50
Full text (4,94 MB) |
6. Samodejno strojno učenje znotraj relacijske podatkovne baze PostgreSQLAljaž Šek, 2024, undergraduate thesis Abstract: 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.
Keywords: strojno učenje, samodejno strojno učenje, strojno učenje znotraj relacijskih
podatkovnih baz, MindsDB, PostgresML
Published in DKUM: 23.12.2024; Views: 0; Downloads: 37
Full text (2,22 MB) |
7. Implementacija algoritma iL-SHADE v programskem jeziku PythonGrega Rubin, 2024, undergraduate thesis Abstract: V diplomskem delu opišemo algoritme po vzorih iz narave in se poglobimo v delovanje diferencialne evolucije, algoritma iL-SHADE ter njegovega predhodnika L-SHADE. Algoritem iL-SHADE implementiramo v programskem jeziku Python ter s pomočjo testnih funkcij tekmovanja CEC 2014 preizkusimo njegovo delovanje. Rezultate naše implementacije in originalne implementacije uporabimo v Wilcoxonovem neparametričnem testu ter s tem pokažemo pravilnost naše implementacije. Izvedemo tudi primerjavo med našim algoritmom in algoritmom L-SHADE iz knjižnice NiaPy. Algoritem iL-SHADE vključimo v knjižnico NiaPy, katere namen je zbiranje in enostavna uporaba algoritmov po vzorih iz narave.
Keywords: iL-SHADE, NiaPy, algoritmi po vzorih iz narave, evolucijski algoritmi, diferencialna evolucija
Published in DKUM: 23.12.2024; Views: 0; Downloads: 30
Full text (2,19 MB) |
8. Using generative AI to improve the performance and interpretability of rule-based diagnosis of Type 2 diabetes mellitusLeon Kopitar, Iztok Fister, Gregor Štiglic, 2024, original scientific article Abstract: Introduction: Type 2 diabetes mellitus is a major global health concern, but interpreting machine learning models for diagnosis remains challenging. This study investigates combining association rule mining with advanced natural language processing to improve both diagnostic accuracy and interpretability. This novel approach has not been explored before in using pretrained transformers for diabetes classification on tabular data. Methods: The study used the Pima Indians Diabetes dataset to investigate Type 2 diabetes mellitus. Python and Jupyter Notebook were employed for analysis, with the NiaARM framework for association rule mining. LightGBM and the dalex package were used for performance comparison and feature importance analysis, respectively. SHAP was used for local interpretability. OpenAI GPT version 3.5 was utilized for outcome prediction and interpretation. The source code is available on GitHub. Results: NiaARM generated 350 rules to predict diabetes. LightGBM performed better than the GPT-based model. A comparison of GPT and NiaARM rules showed disparities, prompting a similarity score analysis. LightGBM’s decision making leaned heavily on glucose, age, and BMI, as highlighted in feature importance rankings. Beeswarm plots demonstrated how feature values correlate with their influence on diagnosis outcomes. Discussion: Combining association rule mining with GPT for Type 2 diabetes mellitus classification yields limited effectiveness. Enhancements like preprocessing and hyperparameter tuning are required. Interpretation challenges and GPT’s dependency on provided rules indicate the necessity for prompt engineering and similarity score methods. Variations in feature importance rankings underscore the complexity of T2DM. Concerns regarding GPT’s reliability emphasize the importance of iterative approaches for improving prediction accuracy.
Keywords: GPT, association rule mining, classification, interpretability, diagnostics
Published in DKUM: 26.11.2024; Views: 0; Downloads: 145
Full text (1,29 MB)
This document has many files! More... |
9. Proceedings of the 10th Student Computing Research Symposium : (SCORES'24)2024, proceedings Abstract: 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.
Keywords: evaluacija, optimizacija, strojno učenje, podatki, zborniki
Published in DKUM: 26.11.2024; Views: 0; Downloads: 76
Full text (35,41 MB)
This document has many files! More... |
10. Integracija velikih jezikovnih modelov v mobilne rešitveDavid Balažic, 2024, undergraduate thesis Abstract: Diplomsko delo se osredotoča na analizo in implementacijo velikih jezikovnih modelov v mobilne rešitve z namenom raziskave njihovega delovanja, integracije in vpliva na uporabniško izkušnjo. V prvem delu je predstavljen teoretični del delovanja velikih jezikovnih delov. V praktičnem delu je ponazorjeno implementiranje teh modelov v mobilne rešitve in predstavljanje pristopa delovanja preko programskega vmesnika ter neposredno na napravi. Rezultati raziskave kažejo, da je pristop s programskim vmesnikom primernejši ob uporabi kompleksnejših modelov, vendar se pristop neposredno na napravi izkaže za koristnega ob uporabi manjših modelov.
Keywords: veliki jezikovni modeli, umetna inteligenca, mobilne rešitve, model
Published in DKUM: 22.10.2024; Views: 0; Downloads: 30
Full text (1,58 MB) |
