1. Prepoznavanje pasem psov s pomočjo globokega učenja : diplomsko deloMinea Rupnik, 2025, diplomsko delo Opis: V diplomskem delu obravnavamo problem prepoznavanja pasem psov iz slik. Naš cilj je bil zasnovati in implementirati model z uporabo globokega učenja, ter pri tem doseči visoko napovedno uspešnost modela pri klasifikaciji pasem. Diplomsko delo zajema teoretične osnove strojnega učenja, podroben opis globokega učenja ter uporabljene arhitekture nevronskih mrež, kot tudi osnove uporabljenega programskega jezika Python in njegovih knjižnic. V praktičnem delu smo implementirali rešitev, kjer smo preizkusili različne arhitekture in analizirali njihovo učinkovitost. Ključne besede: strojno učenje, globoko učenje, nevronske mreže, prenos znanja, Python Objavljeno v DKUM: 03.06.2025; Ogledov: 0; Prenosov: 10
Celotno besedilo (3,51 MB) |
2. Primerjava algoritmov Apriori in GSP nad podatki Covid-19 z osredotočenjem na časovno dimenzijo : diplomsko deloVita Kulčar, 2025, diplomsko delo Opis: Diplomsko delo se osredotoča na uporabo metod podatkovnega rudarjenja, specifično, na odkrivanje asociativnih pravil. V uvodu so predstavljeni osnovni pojmi in tehnike rudarjenja, vključno z merami zanimivosti, ki se uporabljajo za analizo povezanosti med različnimi elementi v podatkih. Delo podrobno opisuje algoritem Apriori in algoritem posplošenih zaporednih vzorcev, njune prednosti in slabosti ter implementacijo za generiranje pogostih vzorcev in oblikovanje pravil. Osredotoča se tudi na analizo podatkov z upoštevanjem časovne dimenzije in preučevanje rezultatov rudarjenja, vključno z vizualizacijo in interpretacijo ugotovitev. Ključne besede: algoritem Apriori, algoritem GSP, asociativna pravila, rudarjenje velepodatkov Objavljeno v DKUM: 08.05.2025; Ogledov: 0; Prenosov: 11
Celotno besedilo (2,46 MB) |
3. Rudarjenje asociativnih pravil z evolucijskimi algoritmi : magistrsko deloKatja Božič, 2025, magistrsko delo Opis: V magistrskem delu smo raziskali uporabo evolucijskih algoritmov za rudarjenje asociativnih pravil pri analizi genetskih podatkov na področju bioinformatike. Evolucijske algoritme smo uporabili za odkrivanje znanja iz podatkov, kjer nam asociacijska pravila prikažejo skrite povezave med atributi v podatkovni množici. S pomočjo evolucijskih algoritmov za rudarjenje asociativnih pravil smo na genetskih podatkih zdravih tkiv in tkiv z miomi maternice naredili analizo, s katero smo odkrili neznane povezave med geni. Ugotovili smo, da lahko evolucijske algoritme za rudarjenje asociativnih pravil uporabimo za odkrivanje genetskih vzorcev. Pridobljene podatke bi lahko uporabili za razumevanje molekularnih mehanizmov bolezni, kar bi prispevalo k napredku v diagnostiki in zdravljenju bolezni. Ključne besede: bioinformatika, evolucijski algoritmi, geni, miomi maternice, rudarjenje asociativnih pravil Objavljeno v DKUM: 08.05.2025; Ogledov: 0; Prenosov: 18
Celotno besedilo (1,74 MB) |
4. Integracija vizualizacijske tehnike Two-key in Sankey-evega diagrama v ogrodje NiaARM : diplomsko deloŽan Vrabič, 2025, diplomsko delo Opis: Zaključno delo obravnava ogrodje NiaARM, namenjeno za rudarjenje asociativnih pravil in
vizualizacijo asociativnih pravil. Predstavljeni so algoritmi, ki jemljejo vzor iz narave in se
uporabljajo za namen rudarjenja asociativnih pravil. Raziskane so različne vizualizacijske
tehnike, vključno z vizualizacijsko tehniko Two-key in Sankeyjevim diagramom.
Predstavljena je integracija obeh vizualizacij v ogrodje NiaARM, prikazani so primeri
uporabe vizualizacij v paketih arulesViz in networkD3. Rezultati vizualizacij zagotavljajo
izboljšano interpretacijo in razumevanje pravil. Zadnji del povzema dosežene cilje in glavne
ugotovitve. Ključne besede: rudarjenje asociativnih pravil, vizualizacija asociativnih pravil, Two-key in
Sankeyjeva vizualizacija, ogrodje NiaARM Objavljeno v DKUM: 08.05.2025; Ogledov: 0; Prenosov: 5
Celotno besedilo (2,97 MB) |
5. Human-centered ai in smart farming : toward agriculture 5.0Andreas Holzinger, Iztok Fister, Iztok Fister, Peter Kaul, Senthold Asseng, 2024, izvirni znanstveni članek Opis: This paper delineates the contemporary landscape, challenges, and prospective developments in human-centred artificial intelligence (AI) within the ambit of smart farming, a pivotal element of the emergent Agriculture 5.0, supplanting Agriculture 4.0. Analogous to Industry 4.0, agriculture has witnessed a trend towards comprehensive automation, often marginalizing human involvement. However, this approach has encountered limitations in agricultural contexts for various reasons. While AI’s capacity to assume human tasks is acknowledged, the inclusion of human expertise and experiential knowledge (human-in-the-loop) often proves indispensable, corroborated by the Moravec’s Paradox: tasks simple for humans are complex for AI. Furthermore, social, ethical, and legal imperatives necessitate human oversight of AI, a stance strongly reflected in the European Union’s regulatory framework. Consequently, this paper explores the advancements in human-centred AI focusing on their application in agricultural processes. These technological strides aim to enhance crop yields, minimize labor and resource wastage, and optimize the farm-to-consumer supply chain. The potential of AI to augment human decision-making, thereby fostering a sustainable, efficient, and resilient agri-food sector, is a focal point of this discussion - motivated by the current worldwide extreme weather events. Finally, a framework for Agriculture 5.0 is presented, which balances technological prowess with the needs, capabilities, and contexts of human stakeholders. Such an approach, emphasizing accessible, intuitive AI systems that meaningfully complement human activities, is crucial for the successful realization of future Agriculture 5.0. Ključne besede: human-centered AI, smart framing, agriculture 5.0, digital transformation, artificial intelligence Objavljeno v DKUM: 23.04.2025; Ogledov: 0; Prenosov: 5
Celotno besedilo (1,10 MB) |
6. Rudarjenje asociativnih pravil v poslovnih aplikacijahAljaž Lipar, 2025, magistrsko delo Opis: 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. Ključne besede: Algoritem, asociativna pravila, diferencialna evolucija, personalizacija, rudarjenje Objavljeno v DKUM: 03.03.2025; Ogledov: 0; Prenosov: 24
Celotno besedilo (2,36 MB) |
7. |
8. |
9. Uporaba paralelnih evolucijskih algoritmov za reševanje več-kriterijskih optimizacijskih problemov : magistrsko deloAleš Gartner, 2024, magistrsko delo Opis: 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. Ključne besede: več-kriterijska optimizacija, evolucijsko računanje, paralelni evolucijski algoritmi, diferencialna evolucija Objavljeno v DKUM: 06.02.2025; Ogledov: 0; Prenosov: 17
Celotno besedilo (1,73 MB) |
10. Napovedovanje temperature zraka na mikrolokaciji s pomočjo globokega učenjaAmadej Krepek, 2024, magistrsko delo Opis: 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. Ključne besede: nevronska mreža, temperatura zraka, mikrolokacija, napoved, vreme Objavljeno v DKUM: 23.12.2024; Ogledov: 0; Prenosov: 73
Celotno besedilo (4,94 MB) |