| | 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 / 121
Na začetekNa prejšnjo stran12345678910Na naslednjo stranNa konec
1.
Assessing Perceived Trust and Satisfaction with Multiple Explanation Techniques in XAI-Enhanced Learning Analytics
Saša Brdnik, Vili Podgorelec, Boštjan Šumak, 2023, izvirni znanstveni članek

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: 259; Prenosov: 21
.pdf Celotno besedilo (3,24 MB)
Gradivo ima več datotek! Več...

2.
Obdelava in gručenje naravnih besedil v programskem okolju python : diplomsko delo
Eva 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: 578; Prenosov: 35
.pdf Celotno besedilo (3,98 MB)

3.
Klasifikacija glasbenega žanra glede na spektrogram zvočnega posnetka : diplomsko delo
Tadej 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: 487; Prenosov: 53
.pdf Celotno besedilo (1,50 MB)

4.
Analiza in klasifikacija zvočnih posnetkov v programskem okolju Python : diplomsko delo
Lara Rantuša, 2022, diplomsko delo

Opis: V diplomskem delu obravnavamo okolje in orodja v programskem jeziku Python za obdelavo, analizo in klasifikacijo zvočnih posnetkov. Razložene so lastnosti glasbe in kako se te zaznavajo z naravno in računalniško analizo zvoka. Opisan je postopek izdelave programa in uporabljeni algoritmi za strojno učenje, ki zna zvočne posnetke obdelati, analizirati in klasificirati glede na njihovo glasbeno zvrst ter na posnetku prepoznati število izvajalcev.
Ključne besede: analiza zvočnih posnetkov, klasifikacija zvočnih posnetkov, programsko okolje Python
Objavljeno v DKUM: 27.05.2022; Ogledov: 922; Prenosov: 134
.pdf Celotno besedilo (2,29 MB)

5.
Metoda prilagodljivega uglaševanja slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja : doktorska disertacija
Grega 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: 1188; Prenosov: 229
.pdf Celotno besedilo (5,35 MB)

6.
Uporaba okrepitvenega učenja za optimizacijo krmiljenja semaforjev : diplomsko delo
Žiga 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: 942; Prenosov: 53
.pdf Celotno besedilo (1,21 MB)

7.
Napoved vremena z uporabo strojnega učenja : diplomsko delo
Timi 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: 933; Prenosov: 75
.pdf Celotno besedilo (1,96 MB)

8.
Primerjalna analiza odprtokodnih IoT platform : diplomsko delo
Teo 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: 1378; Prenosov: 109
.pdf Celotno besedilo (1,18 MB)

9.
Primerjava spletnih strežnikov na osnovi programskega jezika Python : diplomsko delo
Filip 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: 732; Prenosov: 78
.pdf Celotno besedilo (1,44 MB)
Gradivo ima več datotek! Več...

10.
Implementacija odločitvenih dreves v programskem jeziku Python : diplomsko delo
Gregor 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: 1688; Prenosov: 265
.pdf Celotno besedilo (2,12 MB)

Iskanje izvedeno v 3.56 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici