Iskanje po katalogu digitalne knjižnice

Opis: 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.
Ključne besede: GPT, association rule mining, classification, interpretability, diagnostics
Objavljeno v DKUM: 26.11.2024; Ogledov: 0; Prenosov: 6
Celotno besedilo (1,29 MB)
Gradivo ima več datotek! Več...

Opis: 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.
Ključne besede: veliki jezikovni modeli, umetna inteligenca, mobilne rešitve, model
Objavljeno v DKUM: 22.10.2024; Ogledov: 0; Prenosov: 4
Celotno besedilo (1,58 MB)

Opis: V diplomskem delu smo raziskovali vpliv iskalnih algoritmov na igralno izkušnjo v preživetvenih grozljivkah. Analizirali smo algoritme A* iskanje, dvosmerno iskanje, iskanje v širino, pohlepni algoritem in Dijkstrov algoritem. Raziskava je pokazala, da izbira algoritma močno vpliva na dinamiko igre in občutek napetosti. A* in pohlepni algoritem povečujeta hitrost in dinamičnost, medtem ko iskanje v širino in Dijkstrov algoritem zagotavljata stabilnost. Dvosmerni algoritem pa uravnoteži hitrost in natančnost sledenja. Prilagoditev algoritmov glede ne cilje igre lahko bistveno izboljša igralčevo izkušnjo.
Ključne besede: Preživetvene grozljivke, iskalni algoritmi, umetna inteligenca, igralna izkušnja, dinamika igre
Objavljeno v DKUM: 14.10.2024; Ogledov: 0; Prenosov: 8
Celotno besedilo (12,33 MB)

Opis: V diplomski nalogi smo se osredotočili na implementacijo igralnega agenta za Rogue-podobne igre. V teoretičnem delu smo najprej opisali, kaj so Rogue-podobne igre ter izpostavili njihove glavne značilnosti. Naredili smo pregled igralnih agentov in njihovih pristopov ter se na koncu dotaknili osnovne implementacije algoritma drevesnega preiskovanja Monte Carlo, pri katerem smo uporabili formulo UCT za izbiranje vozlišč. V praktičnem delu smo s pomočjo algoritma zgradili igralnega agenta za Rogue-podobno igro ter naredili raziskavo, kako dobro se je ta obnesel v igranju. Raziskovali smo, kako dobro se agent na podlagi algoritma MCTS izkaže proti igranju nasprotnika, ki izbira naključne poteze. Algoritem MCTS se je ob koncu praktičnega dela dobro izkazal za uporabo v Rogue-podobnih igrah.
Ključne besede: Rogue-podobne igre, MCTS, inteligentno vodenje agentov, okrepitveno učenje
Objavljeno v DKUM: 08.10.2024; Ogledov: 0; Prenosov: 8
Celotno besedilo (2,00 MB)

Opis: V tem diplomskem delu bomo predstavili področje strojnega učenja, bolj specifično področje globokega učenja. V teoretičnem delu bomo prikazali, kako se je strojno učenje do sedaj že uporabljalo v športu, kako strojno in globoko učenje delujeta ter kako poteka proces učenja konvolucijskih nevronskih mrež. V praktičnem delu bomo ustvarili svojo učno množico in nato z algoritmom, ki je zasnovan na konvolucijskih nevronskih mrežah, ustvarili model, ki je zmožen določati uspešnost počepa po pravilih zveze za Powerlifting.
Ključne besede: strojni vid, globoko učenje, konvolucijske nevronske mreže, powerlifting
Objavljeno v DKUM: 19.09.2024; Ogledov: 0; Prenosov: 10
Celotno besedilo (3,43 MB)