1. Napovedovanje porabe pitne vode z metodami časovnih vrst in strojnega učenja : diplomsko deloSara Dodič, 2023, diplomsko delo Opis: V diplomski nalogi se ukvarjamo z napovedovanjem porabe pitne vode. Naš glavni cilj je primerjava napovednih modelov SARIMA in nevronske mreže LSTM. Pri napovedovanju se osredotočimo na časovne vrste posameznih gospodinjstev ter časovne vrste vodovodnega omrežja, ki so vzorčene mesečno. Primerjavo napovednih modelov izvedemo na podlagi njihove srednje kvadratne napake pri prileganju na časovno vrsto in napovedovanju porabe pitne vode na testni množici. Rezultati pokažejo, da se najbolje obnese model ARIMA.
Ključne besede: časovne vrste, napovedovanje, ARIMA, LSTM
Objavljeno v DKUM: 13.02.2023; Ogledov: 459; Prenosov: 87
 Celotno besedilo (1,83 MB) |
2. Grafični prikaz Kruskalovega algoritma v 3D prostoru : diplomsko deloJurij Cerar, 2022, diplomsko delo Opis: V diplomskem delu smo implementirali aplikacijo za demonstracijo Kruskalovega
algoritma nad oblaki točk LiDAR v 3D prostoru ter izmerili čas algoritma in čas
upodabljanja, kakor tudi pomnilniško zahtevnost algoritma. Poleg tega smo tudi
primerjali uporabo evklidske razdalje in intenzitete kot cene povezav. Zato smo ustvarili namizno aplikacijo, ki prebere točke LiDAR in jih izriše v 3D prostoru. Nato izvede Kruskalov algoritem nad temi točkami ter prikaže vmesne rezultate algoritma. Zaradi velikega števila začetnih povezav grafa smo uvedli aproksimacijo s pomočjo enakomerne mreže. Ugotovili smo da je uporaba intenzitete kot cene hitrejša od uporabe evklidske razdalje. Ugotovili smo tudi, da poraba pomnilnika narašča linearno glede na število vozlišč. Poleg tega smo preučili, kako nam gradnja minimalnega vpetega drevesa omogoča lažje preučevanje točk.
Ključne besede: Kruskalov algoritem, graf, format LAS, OpenGL
Objavljeno v DKUM: 21.12.2022; Ogledov: 312; Prenosov: 49
Celotno besedilo (1,54 MB) |
3. Napovedovanje dinamike plazu urbas z modeli časovnih vrst in strojnim učenjemŠtefan Horvat, 2022, magistrsko delo Opis: Plazovi lahko resno ogrozijo človeška življenja in povzročijo ogromno gmotno škodo. Na dinamiko plazu običajno vpliva večje število zunanjih dejavnikov, zato je napovedovanje premikov težka naloga. V sodobnem času lahko premike plazov podrobno spremljamo z natančnimi merilnimi instrumenti in tako tvorimo množico podatkov, na podlagi katere gradimo razlagalne in napovedne modele. V magistrskem delu preizkušamo različne tehnike modeliranja premikov plazu Urbas, ki spada med bolj aktivne plazove v Sloveniji. Za modeliranje dinamike plazu uporabimo modele časovnih vrst in nevronsko mrežo z dolgim kratkoročnim spominom. Najboljše prileganje je dosegla nevronska mreža z dolgin kratkoročnim spominom, katere srednja kvadratna napaka je znašala 3,37 mm. Pri napovedovanju premikov se je najbolje odrezal linearni regresijski model s srednjo kvadratno napako 0,52 mm.
Ključne besede: plaz, časovne vrste, linearna regresija, dinamična regresija, nevron-ske mreže LSTM
Objavljeno v DKUM: 15.12.2022; Ogledov: 381; Prenosov: 80
Celotno besedilo (4,33 MB) |
4. Učenje nevronske mreže za igranje preproste arkadne igre : diplomsko deloMitja Polner, 2022, diplomsko delo Opis: V diplomskem delu smo izdelali nevronsko mrežo in preprosto arkadno videoigro Bomberman, katero se je nevronska mreža naučila igrati. Videoigro smo izdelali s pomočjo odprtokodnega ogrodja LibGdx v programskem jeziku Java. Implementirali smo lastno nevronsko mrežo in nevronsko mrežo s knjižnico PyTorch. Obe mreži se učita po principu okrepitvenega učenja. Rezultate lastne implementacije nevronske mreže smo primerjali z rezultati nevronske mreže implementirane s knjižnico PyTorch. Ugotovili smo, da so si rezultati obeh mrež zelo podobni. Nevronska mreža po tridesetih minutah učenja uspe počistiti polovico vseh uničljivih zidov.
Ključne besede: arkadna videoigra, Bomberman, nevronska mreža, okrepitveno učenje, globoka Q-mreža
Objavljeno v DKUM: 24.10.2022; Ogledov: 213; Prenosov: 29
Celotno besedilo (3,00 MB) |
5. Prenos znanja med modeli nevronskih mrež z metodo destilacije : diplomsko deloMatic Marušič, 2022, diplomsko delo Opis: S pojavom vedno večjih zbirk podatkov se je pojavila tudi potreba po vedno večjih modelih strojnega učenja za učenje in napovedovanje na teh zbirkah, kot so nevronske mreže. Posledica tega je nezmožnost uporabe na napravah z omejenimi prostorskimi in računskimi viri, npr. na pametnih mobilnih napravah, pametnih urah in kamerah. Potencialna rešitev je prenos znanja, kjer znanje večjega modela nevronske mreže destiliramo v pomanjšan model nevronske mreže, ki se lahko potem uporablja na robnih napravah. V diplomskem delu smo preizkusili koncept destilacije na klasifikacijskih problemih, ga prenesli na regresijske probleme ter analizirali učinkovitost z uporabo klasičnih metrik uspešnosti.
Ključne besede: strojno učenje, destilacija znanja, prenos znanja, nevronska mreža
Objavljeno v DKUM: 24.10.2022; Ogledov: 186; Prenosov: 20
Celotno besedilo (2,54 MB) |
6. Razvoj vtičnika za generiranje 3D modelov dreves za animacijski paket Blender : diplomsko deloAljaž Farkaš, 2022, diplomsko delo Opis: Diplomsko delo obsega implementacijo algoritma za generiranje 3D modelov dreves in razvoj vtičnika za animacijski paket Blender. Vtičnik omogoča zagon implementiranega algoritma za generiranje 3D modelov dreves. Algoritem in vtičnik za zagon tega algoritma smo implementirali s programskim jezikom Python znotraj animacijskega paketa Blender. Vtičnik omogoča vnos uporabniških parametrov, ki omogočajo nadzor nad razvojem drevesa. Rezultati so pokazali, da lahko z ustreznimi uporabniškimi parametri generiramo raznolike realistične 3D modele dreves z 8000 popki v približno 40 do 60 sekundah.
Ključne besede: vtičnik, 3D model drevesa, Blender, simulacija rasti dreves
Objavljeno v DKUM: 20.10.2022; Ogledov: 232; Prenosov: 29
Celotno besedilo (3,05 MB)
Gradivo ima več datotek! Več... |
7. Vzorčenje soseščine v heterogenih grafih pri grafovskih nevronskih mrežah : magistrsko deloVid Keršič, 2022, magistrsko delo Opis: Grafovske nevronske mreže so v zadnjem času eno izmed najbolj aktivnih področij raziskovanja globokega učenja. Uspešno so bile uporabljene pri problemih, kjer so podatki predstavljeni v obliki grafa, na primer pri analizi družbenih omrežij, napovedovanju prometa, razvoju zdravil itd. Kljub nekaterim zelo dobrim rezultatom pa ostaja še veliko odprtih izzivov pri uporabi nevronskih mrež na zelo velikih grafih, kjer smo omejeni z zmogljivostjo strojne opreme. V magistrskem delu naslavljamo problem uporabe grafovskih nevronskih mrež na obsežnih heterogenih grafih, kjer se med učenjem izvaja vzorčenje soseščine na vsaki plasti mreže, pri čemer se velikosti vzorca omejijo s hiperparametri. Heterogeni grafi vsebujejo več različnih tipov vozlišč in povezav, kar je pri vzorčenju soseščine koristno upoštevati in optimizirati vrednosti hiperparametrov za posamezne tipe povezav. Za reševanje tega problema predstavimo in analiziramo lasten algoritem, ki odpravi potrebo po časovno zahtevnem procesu obravnavanja in nastavljanja hiperparametrov za vse tipe vozlišč ter povezav. Prednosti algoritma z vidika časovne zahtevnosti in uspešnosti klasifikacije prikažemo na dveh grafih – akademskem grafu MAG240M, ki vsebuje več kot 240 milijonov vozlišč in nekaj manj kot 2 milijardi povezav, ter grafu znanja Freebase.
Ključne besede: umetna inteligenca, strojno učenje, heterogeni grafi, grafovske nevronske mreže
Objavljeno v DKUM: 20.10.2022; Ogledov: 142; Prenosov: 29
Celotno besedilo (1,59 MB) |
8. Razvoj 3D spletne aplikacije za diagnosticiranje zdravstvenih težav : diplomsko deloBojan Kujundjiev, 2022, diplomsko delo Opis: Diplomsko delo obravnava razvoj 3D spletne aplikacije, izdelane s pomočjo knjižnice Three.js. Aplikacija je sestavljena iz čelnega in zalednega dela. Za čelni del smo uporabili ReactJS, za zaledni Node.js z Express.js in za podatkovno shrambo MongoDB. Namen naše spletne strani je izboljšati zdravstveni sistem in uporabnikom omogočiti, da na pregleden in učinkovit način pridejo do potrebnih odgovorov ter pridobijo potrebno in pravočasno zdravstveno oskrbo. Na koncu preverimo delovanje spletne aplikacije, pri čemer smo ugotovili, da aplikacija omogoča delovanje z zadovoljivo odzivnostjo in da se uporabniki zelo hitro privadijo uporabe aplikacije.
Ključne besede: Three.js, WebGL, Node.js, 3D model, 3D aplikacija, diagnosticiranje zdravstvenih težav, zdravstvena oskrba
Objavljeno v DKUM: 20.10.2022; Ogledov: 176; Prenosov: 14
Celotno besedilo (1,68 MB) |
9. |
10. Primerjava metod napada na globoke nevronske mreže z nasprotniškimi primeri in pristopov k zaščiti pred njimi : magistrsko deloRobi Novak, 2022, magistrsko delo Opis: Globoke nevronske mreže imajo ranljivosti, kot so nasprotniški primeri - neopazne namerne popačitve vhodnih podatkov, ki povzročijo neželeno spremembo izhoda. Ker so nasprotniški primeri prenosljivi, lahko popačitev tvorimo v scenariju črne škatle, brez da bi poznali strukturo ali uteži napadene mreže. V našem delu primerjamo več pristopov k napadu in zaščiti. Robustnost modela ovrednotimo glede na prepričanost v napačno klasifikacijo ter glede na statistično porazdelitev amplitud nasprotniških popačitev. Rezultati kažejo, da so amplitude uspešnih napadov tipično za en velikostni razred višje, če je napad izveden po scenariju črne škatle. Robustnost modela je odvisna od klasifikacijskega problema, arhitekture mreže ter pristopa k zaščiti. Za najbolj učinkovita napada sta se v scenariju bele škatle izkazala napada BIM in MI-FGSM, v scenariju črne škatle pa napada MI-FGSM in FGSM. Najučinkovitejša pristopa k zaščiti sta bila diskretizacija ter virtualno nasprotniško učenje. Pokazali smo tudi, da moramo za verodostojen preizkus učinkovitosti nasprotniškega učenja uporabiti napad, ki ni bil uporabljen v procesu učenja.
Ključne besede: globoko učenje, nasprotniški primeri, nevronske mreže, strojno učenje
Objavljeno v DKUM: 06.07.2022; Ogledov: 451; Prenosov: 48
Celotno besedilo (45,09 MB)
Gradivo ima več datotek! Več... |
