| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 10 / 28
Na začetekNa prejšnjo stran123Na naslednjo stranNa konec
1.
S strojnim učenjem podprta analiza znanstvenih revij in avtorjev
Tevž Šart, 2021, magistrsko delo

Opis: V sklopu magistrske naloge smo se osredotočili na problematiko iskanja primernih revij za objavo znanstvenih člankov različnih avtorjev. V prvem delu smo se osredotočili na pridobivanje znanja iz nestrukturiranih podatkov. Za pridobivanje uporabnega znanja smo uporabili način besedne vložitve. V drugem delu smo se osredotočili na izgradnjo programske rešitve za vektorizacijo znanstvenih člankov in revij. Namen magistrske je bil ugotoviti, ali lahko s pomočjo strojnega učenja in tehnike vektorizacije besedila ugotovimo podobnosti med znanstvenimi članki različnih avtorjev in revij ter na takšen način ugotovimo, ali avtor objavlja svoje znanstvene članke v pravilnih revijah. Vhodni korpus smo pridobili iz spletne baze znanstvenih člankov Scopus. S pomočjo rezultatov programske rešitve smo opravili analizo, s pomočjo katere smo pridobili odgovore na zastavljena raziskovalna vprašanja ter posledično sprejeli ali zavrgli hipoteze.
Ključne besede: doc2vec, tf-idf, besedne vložitve, vektorizacija besedila, obdelava naravnega jezika
Objavljeno: 20.04.2021; Ogledov: 36; Prenosov: 4
.pdf Celotno besedilo (1,52 MB)

2.
Priročnik za računalniške vaje pri predmetu Orodja za razvoj aplikacij
Iztok Fister, Špela Pečnik, Sašo Karakatič, 2021, drugo učno gradivo

Ključne besede: aplikacije, računalniške vaje, e-gradiva
Objavljeno: 22.02.2021; Ogledov: 568; Prenosov: 444
.pdf Celotno besedilo (600,72 KB)

3.
Klasifikacija besedila s prenosnim učenjem
Jure Žerak, 2020, magistrsko delo

Opis: Magistrsko delo ima namen preizkusiti metodo prenosnega učenja na obdelavi naravnega jezika in jo primerjati s klasičnimi metodami učenja nevronskih mrež, metodo LSTM. V delu sta uporabljena opisna metoda za teoretični in eksperiment za praktični del dela. V slednjem smo ugotovili, da je metoda prenosnega učenja na majhni količini podatkov bolj točna od klasičnih metod, vendar za to potrebuje več časa. Delo primerja prednaučeni model Bert in klasično metodo LSTM, zato je priporočljivo primerjati rezultate tudi z drugimi prednaučenimi modeli in klasičnimi metodami.
Ključne besede: nevronske mreže, prenosno učenje, NLP, PyTorch, LSTM
Objavljeno: 01.12.2020; Ogledov: 75; Prenosov: 22
.pdf Celotno besedilo (1,99 MB)

4.
Klasifikacija z utežem agnostičnimi nevronskimi mrežami
Marko Mlakar, 2020, magistrsko delo

Opis: V magistrskem delu je predstavljena metoda iskanja utežem agnostičnih nevronskih mrež, ki temelji na genetskem algoritmu, imenovanem NeuroEvolution of Augmenting Topologies (NEAT). Evalviranje genomov z vzorčenjem uteži iz fiksne uniformne množice naključnih vrednosti minimizira pomembnost uteži, s čimer je poudarek le na optimizaciji topologije. To omogoča utežem agnostičnim nevronskim mrežam opravljanje različnih nalog brez predhodnega učenja utežnih vrednosti. Naša implementacija je bila prilagojena za povezovanje z odprtokodno knjižnico Scikit-learn, ki smo jo javno objavili v obliki PyPi paketa. V eksperimentalnem delu smo se osredotočili na primerjavo evolucijskih in utežem agnostičnih nevronskih mrež na primeru reševanja klasifikacijskih problemov. Rezultate smo evalvirali z uporabo statističnih metod, ki so pokazale, da utežem agnostične nevronske mreže proizvedejo več skritih nevronov kot evolucijske, vendar uspejo doseči primerljivo točnost zgolj s pravilno topologijo, brez optimizacije uteži.
Ključne besede: utežem agnostične nevronske mreže, klasifikacija, nevroevolucija, NEAT
Objavljeno: 01.12.2020; Ogledov: 110; Prenosov: 32
.pdf Celotno besedilo (3,89 MB)

5.
Uporaba vektorske vgradnje za inteligentno obdelavo slovenskega besedila
Urban Strnišnik, 2020, magistrsko delo

Opis: V sklopu magistrske naloge smo se najprej osredotočili v problematiko pridobivanja uporabnega znanja iz nestrukturiranega besedila. Po poročilih IDC je razmerje med strukturiranimi in nestrukturiranimi podatki vsako leto večje. Načinov pridobivanja uporabnega znanja iz nestrukturiranega besedila je več, ena izmed njih so besedne vložitve oz. vektorska vgradnja. Najprej smo se posvetili pregledu tehnik besednih vložitev, kaj to je in kaj z njimi dosežemo. Ugotovili smo, da da izraz besedna vložitev stoji za določitvijo vektorske vrednosti besedi, s katero lahko izvajamo nadaljnje računske operacije. Namen magistrske naloge je bil preizkusiti nekatere algoritme vektorske vgradnje, izdelati lastne modele obdelave besedil in jih nato primerjati z nekaterimi že obstoječimi modeli. Lastne in obstoječe modele obdelave besedil smo nato preizkusili in na podlagi primerjave ugotovili prednosti in slabosti pri uporabi v določenem okolju. V sklopu učenja modelov smo se osredotočili tako v nadzorovane kot tudi v nenadzorovane tehnike učenja. Vhodni korpus podatkov smo pridobili iz pravilnikov štirinajstih slovenskih univerz in fakultet. Iz ugotovljenih rezultatov smo opravili analizo in diskusijo rezultatov, kjer smo dobili odgovore na zastavljena raziskovalna vprašanja, hipoteze pa sprejeli ali zavrnili.
Ključne besede: Besedne vložitve, strojno učenje, fastText, obdelava naravnega jezika, doc2vec, word2vec, klasifikacija besedila, nadzorovano učenje, nenadzorovano učenje
Objavljeno: 17.11.2020; Ogledov: 103; Prenosov: 29
.pdf Celotno besedilo (3,65 MB)

6.
Razvoj vtičnika za podporo strojnemu učenju v programu Jamovi
Maruša Konečnik, 2020, diplomsko delo

Opis: Glavni cilj diplomskega dela je bil razvoj vtičnika za program za statistično analizo Jamovi. Poleg tega smo v diplomskem delu predstavili osnove strojnega učenja, z njim povezane metrike ocenjevanja ter opisali in primerjali nekaj programov za statistično analizo. Vtičnik omogoča podporo strojnemu učenju za različne algoritme. Osredotočili smo se na algoritma odločitvenega drevesa enojno odločitveno drevo ter naključni gozd Omogočena je tudi primerjava rezultatov več algoritmov. V praktičnem delu diplomske naloge smo razvili delujoč vtičnik, v teoretičnem delu pa smo zapisali osnovna navodila za razvoj vtičnika za Jamovi ter opisali funkcionalnosti ter uporabo nastalega vtičnika.
Ključne besede: strojno učenje, statistična analiza, Jamovi, metrike ocenjevanja, vtičnik
Objavljeno: 04.11.2020; Ogledov: 152; Prenosov: 35
.pdf Celotno besedilo (2,45 MB)

7.
Prepoznava divjih živali na slikah z uporabo rezidualnih nevronskih mrež
Mitja Lakič, 2020, diplomsko delo

Opis: V diplomskem delu se ukvarjamo s prepoznavanjem divjih živali na slikah z uporabo rezidualnih nevronskih mrež. Namen diplomskega dela je predstaviti rezidualne nevronske mreže in probleme, ki jih te mreže rešujejo. Pri prepoznavanju živali smo se omejili na 10 različnih kategorij divjih živali, podatkovna množica pa je bila sestavljena iz 10.000 slik. Rešitev smo razvili s pomočjo programskega jezika Python in programske knjižnice PyTorch. Primerjali smo rezultate treh različnih modelov nevronskih mrež, kjer je najboljši model dosegel 99,9-% točnost prepoznavanja. Ugotovili smo, da rezidualne nevronske mreže z uporabo preskočnih povezav zelo ugodno vplivajo na točnost modela, pri tem pa se najbolje izkažejo modeli, ki so bili predhodno naučeni.
Ključne besede: rezidualna nevronska mreža, računalniški vid, prepoznavanje divjih živali, globoko učenje, izginjajoči gradient
Objavljeno: 03.11.2020; Ogledov: 101; Prenosov: 30
.pdf Celotno besedilo (2,67 MB)

8.
Analiza temnih vzorcev na slovenskih spletnih straneh
Elena Osrajnik, 2020, diplomsko delo

Opis: V diplomskem delu smo preučili različne oblike temnih vzorcev, ki se pojavljajo na straneh slovenskih spletnih trgovin. Opisali smo kategorije in vrste vzorcev glede na kognitivne pristranskosti, ki jih izkoriščajo v potrošniku, in glede na pet temeljnih oblikovanj vzorcev. To smo storili z ročnim pregledom več kot petdeset spletnih strani, katere smo primerjali s temnimi vzorci na tujih spletnih trgovinah. Ugotovili smo, da so temni vzorci na slovenskih spletnih trgovinah v primerjavi s tujimi precej razširjeni, vendar vseh oblik vzorcev med pregledom nismo zaznali.
Ključne besede: temni vzorci, manipulacija, spletne trgovine, potrošniki
Objavljeno: 03.11.2020; Ogledov: 65; Prenosov: 31
.pdf Celotno besedilo (2,20 MB)

9.
Trgovanje kriptovalut z okrepitvenim učenjem
Gašper Reher, 2020, diplomsko delo

Opis: V diplomskem delu se bom seznanil in preizkusil okrepitveno učenje na časovnih podatkih, natančneje na trgovanju s kriptovalutami. V okviru naloge bom naredil teoretičen pregled okrepitvenega učenja, ogrodji okrepitvenega učenja in pregled knjižnic, ki že obstajajo na področju okrepitvenega učenja ter trgovanja s kriptovalutami. Praktični cilj diplomskega dela pa je izdelava programa, ki se bo na podlagi zgodovinskih vrednosti kriptovalut, naučil, kako trgovati z njimi, tako da zagotovi velik dobiček.
Ključne besede: Okrepitveno učenje, kriptovalute, Python, umetna inteligenca
Objavljeno: 03.11.2020; Ogledov: 144; Prenosov: 56
.pdf Celotno besedilo (1,66 MB)
Gradivo ima več datotek! Več...

10.
Napovedovanje porabe električne energije z rekurentnimi nevronskimi mrežami
Urban Kos, 2020, magistrsko delo

Opis: Predvidevanje porabe električne energije predstavlja zelo pomemben člen v elektroenergetski industriji, saj lahko pripomore k optimizaciji proizvodnje. S pomočjo strojnega učenja, natančneje rekurentnih nevronskih mrež, je mogoče natančno napovedati električno energijo. Veliko vlogo pri napovedovanju igrajo kakovost in količina podatkov ter arhitektura in nastavitve nevronske mreže. V teoretičnem delu je podrobno opisana nevronska mreža in njeni osnovni gradniki, kjer je bilo največ pozornosti posvečene rekurentnim mrežam, praktični del pa prikazuje izvedbo eksperimenta napovedovanja porabe električne energije z rekurentnimi nevronskimi mrežami z različno arhitekturo in podatki.
Ključne besede: rekurentne nevronske mreže, električna energija, napovedovanje električne energije
Objavljeno: 03.07.2020; Ogledov: 238; Prenosov: 52
.pdf Celotno besedilo (7,12 MB)

Iskanje izvedeno v 0.31 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici