1. Obdelava in gručenje naravnih besedil v programskem okolju python : diplomsko deloEva Štingl, 2022, diplomsko delo Opis: Strojno učenje, ki se ukvarja z obravnavo naravnega jezika, je vseprisotno v našem vsakdanjiku. V tem diplomskem delu smo si podrobno pogledali kaj je naravni jezik in kaj zajema njegova obravnava. Opisali smo knjižnice za delo z njim in jih primerjali. Prav tako pa smo opredelili tip nenadzorovanega učenja – gručenja, ki se pogosto uporablja nad naravnimi besedili. V okviru dela smo opisali postopek gručenja in nekaj algoritmov. Nad scenarijem celotne serije Igra prestolov smo izvedli sentimentalno analizo stavkov in opravili gručenje nad podatki. Narisani grafi, so nam pokazali zanimiv rezultate gručenja po sentimentih. Gruče smo kontekstualizirali s pomočjo poznavanja vsebine serije in dogajanja v njej. Ključne besede: gručenje, obdelava naravnega jezika, predprocesiranje besedila, knjižnice za obdelavo naravnega jezika, metoda voditeljev Objavljeno v DKUM: 24.10.2022; Ogledov: 173; Prenosov: 13
Celotno besedilo (3,98 MB) |
2. Klasifikacija glasbenega žanra glede na spektrogram zvočnega posnetka : diplomsko deloTadej Lahovnik, 2022, diplomsko delo Opis: V diplomskem delu smo se poglobili v izdelavo različnih tipov spektrogramov in klasifikacijo slik z uporabo konvolucijskih nevronskih mrež. Zanimalo nas je, ali je možno zanesljivo napovedati žanr zvočnega posnetka glede na spektrogram, ki mu pripada.
Tekom razvoja smo ustvarili tri različne tipe spektrogramov. Za vsak tip smo ustvarili ločen klasifikacijski model, nato pa smo iz vseh treh modelov sestavili klasifikacijski ansambel. Tako smo dobili najbolj zanesljive rezultate. Klasifikacijo smo nato ovrednotili s številnimi metrikami, kjer nas je najbolj zanimala sama točnost klasifikacije. Iz matrike zmede smo izčrpali najpogostejše napake pri klasifikaciji. Ključne besede: klasifikacija, spektrogram, strojno učenje, nevronske mreže, glasbeni
žanr Objavljeno v DKUM: 20.10.2022; Ogledov: 180; Prenosov: 37
Celotno besedilo (1,50 MB) |
3. |
4. Metoda prilagodljivega uglaševanja slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja : doktorska disertacijaGrega Vrbančič, 2021, doktorska disertacija Opis: V doktorski disertaciji predstavimo problematiko izbire uglaševanih slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja. Z izvedeno analizo vpliva izbire uglaševanih slojev konvolucijske nevronske mreže na uspešnost učenja potrdimo domnevo, da je primerna izbira uglaševanih slojev s ciljem doseganja visoke klasifikacijske uspešnosti odvisna od izbrane arhitekture konvolucijske nevronske mreže ter ciljnega problema oz. izbrane podatkovne zbirke. Z namenom naslovitve problema izbire uglaševanih slojev razvijemo in predlagamo prilagodljivo metodo DEFT, ki temelji na algoritmu diferencialne evolucije in deluje popolnoma samodejno, ne glede na uporabljeno arhitekturo konvolucijske nevronske mreže ali ciljni problem. Zaradi velike časovne kompleksnosti predlagane metode v nadaljevanju razvijemo in predlagamo na funkciji izgube temelječo metriko LDM, ki v zgodnji fazi učenja uspešno zaznava manj primerne izbire uglaševanih slojev, kar nam omogoča, da za zaznane manj primerne izbire uglaševanih slojev predčasno zaključimo učenje in na tak način zmanjšamo časovno zahtevnost predlagane metode. Uspešnost predlagane metode ovrednotimo z uporabo treh različnih arhitektur globokih konvolucijskih mrež nad tremi raznolikimi slikovnimi podatkovnimi zbirkami. Klasifikacijsko uspešnost predlagane metode z in brez uporabe metrike LDM smo primerjali s klasičnimi pristopi učenja globokih konvolucijskih nevronskih mrež. Primerjavo izvedemo z uporabo najpogostejših klasifikacijskih metrik, časom, potrebnim za učenje, ter porabljenim številom epoh. Rezultate smo preverili z uporabo klasičnih metod statistične analize kot tudi z naprednim pristopom Bayesove analize. Izsledki slednje so potrdili tezo, da je mogoče z uporabo metode prilagodljivega uglaševanja slojev konvolucijske nevronske mreže uspešno nasloviti problem izbire slojev ter da lahko z uporabo metrike LDM za zaznavo manj primernih izbir uglaševanih slojev učinkovito zmanjšamo število epoh, potrebnih za učenje, ob doseganju primerljivih rezultatov. Ključne besede: strojno učenje, globoko učenje, učenje s prenosom znanja, klasifikacija, uglaševanje, optimizacija Objavljeno v DKUM: 19.10.2021; Ogledov: 774; Prenosov: 150
Celotno besedilo (5,35 MB) |
5. Uporaba okrepitvenega učenja za optimizacijo krmiljenja semaforjev : diplomsko deloŽiga Sušin, 2021, diplomsko delo Opis: V tej nalogi bomo podrobno preučili metodo okrepitvenega učenja in načine implementacije le-tega. Nato ga bomo uporabili za rešitev zadanega problema, ki je optimizacija krmiljenja semaforjev v križišču. V naslednjih poglavjih bomo na splošno opisali strojno učenje, podrobneje pa okrepitveno učenje. Opisali bomo tudi način implementacije v programskem jeziku Python in knjižnice, ki nam pomagajo pri tem. V drugem delu naloge bomo izdelali program s pomočjo pridobljenega znanja. Na koncu pa bomo še predstavili rezultate simulacij. Ključne besede: Okrepitveno učenje, umetna inteligenca, promet, Python Objavljeno v DKUM: 18.10.2021; Ogledov: 470; Prenosov: 41
Celotno besedilo (1,21 MB) |
6. Napoved vremena z uporabo strojnega učenja : diplomsko deloTimi Vovk, 2021, diplomsko delo Opis: Strojno učenje se vse bolj uporablja za napoved prihodnjih stanj. V diplomskem delu je preizkušenih več modelov strojnega učenja za napoved vremenskih parametrov s ciljem izdelave čim boljšega. Modeli v enem mahu napovedujejo terminsko zračno temperaturo ali globalno sevanje za prvo, dvanajsto in štiriindvajseto uro. Ustvarjenih je več modelov z različno arhitekturo. Ti so naučeni iz obdelanih in urejenih podatkov pridobljenih iz javno dostopnega arhiva vremena ARSO. V ospredju algoritmov nadzorovanega stojnega učenja sta Elastic Net in GRU. Arhitektura za izdelavo GRU modelov je zgrajena na podlagi predlaganih modelov drugih avtorjev. Najbolje se je izkazal model GRU (60, 30, 10). Ključne besede: nadzorovano strojno učenje, GRU, Elastic Net, temperatura zraka, sončno sevanje Objavljeno v DKUM: 18.10.2021; Ogledov: 564; Prenosov: 58
Celotno besedilo (1,96 MB) |
7. Primerjalna analiza odprtokodnih IoT platform : diplomsko deloTeo Kac, 2020, diplomsko delo Opis: V diplomskem delu smo naredili analizo treh izbranih odprtokodnih platform. Izdelali
smo tudi preprosto programsko opremo, ki v realnem času bere podatke o temperaturi
in vlagi iz senzorja, jih izpiše in sproži določeno akcijo. Ugotovili smo, da platforme
omogočajo zelo podobne funkcionalnosti. Naše priporočilo glede izbire platform se
nanaša na uporabnikovo predznanje iz programiranja in poznavanja programskih
jezikov. Ključne besede: IoT, odprtokodna platforma, ThingsBoard, Node-RED, Thinger.io Objavljeno v DKUM: 12.11.2020; Ogledov: 910; Prenosov: 96
Celotno besedilo (1,18 MB) |
8. Primerjava spletnih strežnikov na osnovi programskega jezika Python : diplomsko deloFilip Kren, 2020, diplomsko delo Opis: Diplomsko delo je osredotočeno na primerjanje spletnih strežnikov, ki temeljijo na programskem jeziku Python. Preden smo začeli s primerjavo, smo natančneje spoznali koncepte spletnih strežnikov. Nato smo podrobneje pogledali standard WSGI, ki definira kako gostiti Python aplikacije na strežnikih. Izbrane strežnike CherryPy, Gunicorn, uWSGI, TwistedWeb in Tornado smo natančno analizirali in opisali. Na strežnike smo namestili testno spletno aplikacijo, ki smo jo razvili v programskem jeziku Python s pomočjo ogrodja Django. Nato smo implementirali obremenitvene teste s katerimi smo po testirali odzivnost in učinkovitost strežnikov. Rezultate testiranja smo uporabili za primerjavo strežnikov, ter tako ugotovili, da med izbranimi strežniki obstajajo razlike in podobnosti. Ključne besede: Spletni strežnik, Python, primerjava spletnih strežnikov, WSGI, CherryPy, Gunicorn, uWSGI, TwistedWeb, Tornado, Django Objavljeno v DKUM: 03.11.2020; Ogledov: 490; Prenosov: 62
Celotno besedilo (1,44 MB) Gradivo ima več datotek! Več... |
9. Implementacija odločitvenih dreves v programskem jeziku Python : diplomsko deloGregor Gorjanc, 2020, diplomsko delo Opis: V diplomskem delu je predstavljeno področje strojnega učenja, del katerega so odločitvena drevesa. Čeprav je odločitveno drevo v osnovi pripomoček za vizualizacijo, nas v sklopu strojnega učenja zanima proces gradnje. Obstaja več algoritmov, ki s pomočjo podatkovnih množic generirajo odločitvena drevesa. V delu je podrobno predstavljeno delovanje algoritma C4.5, čigar implementacija predstavlja jedro naloge. Algoritem je bil implementiran s pomočjo programskega jezika Python. Po osnovni implementacijo je bil izveden proces optimizacije, kjer so preizkušene različne strukture programskega jezika Python. Po optimizaciji je bila izvedena primerjalna analiza delovanja. Izvedena je bila tudi primerjava delovanja implementiranega algoritma z obstoječo implementacijo J48. Ključne besede: strojno učenje, odločitveno drevo, Python, C4.5 Objavljeno v DKUM: 03.07.2020; Ogledov: 1315; Prenosov: 244
Celotno besedilo (2,12 MB) |
10. Zbiranje in analiza športnih podatkov pri odbojki : diplomsko deloTomo Dukarić, 2019, diplomsko delo Opis: Od še nedavnega, ko so podatke v športu zbirali le s pisalom in papirjem, do danes, ko imamo za to namenjene veliko informacijske tehnologije, je minilo le nekaj let. V diplomskem delu smo se posvetili programski opremi Data Volley, ki velja za najbolj razširjeno in najbolj dodelano rešitev na področju odbojke. Dotaknili smo se razvojnega podjetja in ostalih rešitev, ki jih ponujajo.
V glavnem delu smo povzeli in opisali, kako si pri zbiranju športnih podatkov v odbojki zapisujemo določene informacije, kako se lotevamo analiziranja podatkov in obdelovanja posameznih analiz. Posvetili smo se tudi strojni opremi ter njeni optimalni zmogljivosti in postavitvi. Predstavili smo primere vnosov podatkov ter razložili, kako se podatki nato preučijo in efektivno predstavijo igralcem. Za konec smo naredili še kratek vodič za pripravo lastne analize, tj. Worksheet-a. Ključne besede: analiza športnih podatkov, obdelava podatkov, odbojka, šport Objavljeno v DKUM: 21.11.2019; Ogledov: 752; Prenosov: 95
Celotno besedilo (1,95 MB) |