Iskanje po katalogu digitalne knjižnice

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)

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)

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)

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...

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)