Iskanje po katalogu digitalne knjižnice

Opis: Uspešnost odločitvenih dreves temelji na predpostavki, da učni podatki za vsak razred vključujejo enako količino informacij. Pri nesorazmerni porazdelitvi razredov so klasifikatorji pristransko usmerjeni k večinskim razredom. Zaradi majhnega števila vzorcev manjšinskih razredov klasifikatorji niso zmožni ustreznega usvajanja znanja, kar vodi do slabšega posploševanja in prekomernega prileganja. V okviru zaključnega dela smo razvili več algoritmov za gradnjo uravnoteženih evolucijskih dreves, ki se osredotočajo na reševanje izzivov, povezanih z nesorazmerno porazdelitvijo razredov. Rezultati eksperimenta kažejo, da uravnoteženost evolucijskih dreves ne prispeva k izboljšanju klasifikacije v primerjavi s tradicionalnimi metodami.
Ključne besede: evolucijski algoritem, odločitvena drevesa, klasifikacija, neuravnoteženi podatki
Objavljeno v DKUM: 06.02.2025; Ogledov: 0; Prenosov: 47
Celotno besedilo (2,85 MB)

Opis: Microbiota analysis can provide valuable insights in various fields, including diet and nutrition, understanding health and disease, and in environmental contexts, such as understanding the role of microorganisms in different ecosystems. Based on the results, we can provide targeted therapies, personalized medicine, or detect environmental contaminants. In our research, we examined the gut microbiota of 16 animal taxa, including humans, as well as the microbiota of cattle and pig manure, where we focused on 16S rRNA V3-V4 hypervariable regions. Analyzing these regions is common in microbiome studies but can be challenging since the results are high-dimensional. Thus, we utilized machine learning techniques and demonstrated their applicability in processing microbial sequence data. Moreover, we showed that techniques commonly employed in natural language processing can be adapted for analyzing microbial text vectors. We obtained the latter through frequency analyses and utilized the proposed hierarchical clustering method over them. All steps in this study were gathered in a proposed microbial sequence data processing pipeline. The results demonstrate that we not only found similarities between samples but also sorted groups’ samples into semantically related clusters. We also tested our method against other known algorithms like the Kmeans and Spectral Clustering algorithms using clustering evaluation metrics. The results demonstrate the superiority of the proposed method over them. Moreover, the proposed microbial sequence data pipeline can be utilized for different types of microbiota, such as oral, gut, and skin, demonstrating its reusability and robustness.
Ključne besede: machine learning, NLP, hierarchical clustering, microbial data, microbiome, n-grame
Objavljeno v DKUM: 04.09.2024; Ogledov: 38; Prenosov: 9
Celotno besedilo (4,48 MB)

Opis: This study aimed to observe the impact of eight explainable AI (XAI) explanation techniques on user trust and satisfaction in the context of XAI-enhanced learning analytics while comparing two groups of STEM college students based on their Bologna study level, using various established feature relevance techniques, certainty, and comparison explanations. Overall, the students reported the highest trust in local feature explanation in the form of a bar graph. Additionally, master's students presented with global feature explanations also reported high trust in this form of explanation. The highest measured explanation satisfaction was observed with the local feature explanation technique in the group of bachelor's and master's students, with master's students additionally expressing high satisfaction with the global feature importance explanation. A detailed overview shows that the two observed groups of students displayed consensus in favored explanation techniques when evaluating trust and explanation satisfaction. Certainty explanation techniques were perceived with lower trust and satisfaction than were local feature relevance explanation techniques. The correlation between itemized results was documented and measured with the Trust in Automation questionnaire and Explanation Satisfaction Scale questionnaire. Master's-level students self-reported an overall higher understanding of the explanations and higher overall satisfaction with explanations and perceived the explanations as less harmful.
Ključne besede: explainable artificial intelligence, learning analytics, XAI techniques, trust, explanation satisfaction
Objavljeno v DKUM: 12.02.2024; Ogledov: 368; Prenosov: 58
Celotno besedilo (3,24 MB)
Gradivo ima več datotek! Več...

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: 3264; Prenosov: 73
Celotno besedilo (1,50 MB)

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: 1381; Prenosov: 311
Celotno besedilo (5,35 MB)