1. Uporaba transformer arhitekture nevronskih mrež za zapolnjevanje manjkajočih vrednosti v časovnih vrstah : magistrsko deloBenjamin Petelinek, 2025, master's thesis Abstract: V magistrskem delu se osredotočamo na problematiko manjkajočih vrednosti, ki pomembno vplivajo na napovedno uspešnost modelov strojnega učenja. V uvodnem delu magistrskega dela smo opisali problem manjkajočih vrednosti in teoretično predstavili osnove strojnega učenja. V eksperimentalnem delu smo razvili lastno arhitekturo za zapolnjevanje manjkajočih vrednosti. Pri razvoju smo se zgledovali po modelih GPT-2 in SAITS. Razvito arhitekturo smo ovrednotili, analizirali in rezultate primerjali z modeli linearne interpolacije, SAITS in KNN. Izkazalo se je, da je linearna interpolacija pri zapolnjevanju manjkajočih vrednosti PM2.5 najuspešnejša, vendar razlike med modeli linearne interpolacije, Transformer in SAITS ne presegajo 0,2 MAE. Glede na napovedno uspešnost se je arhitektura Transformer uvrstila na drugo mesto. Arhitektura KNN je ne glede na postajo ali delež manjkajočih vrednosti dosegla najslabši rezultat. Višje dimenzije vdelav so pri modelih Transformer izboljšale napovedno uspešnost, medtem ko pri modelih SAITS nismo videli podobnega učinka. Prav tako smo ugotovili, da višanje deleža manjkajočih vrednosti negativno vpliva na napovedno uspešnost modelov.
Keywords: arhitektura Transformer, nevronske mreže, zapolnjevanje manjkajočih vrednosti, SAITS, strojno učenje.
Published in DKUM: 16.12.2025; Views: 0; Downloads: 6
 Full text (2,27 MB) |
2. Ensemble-based knowledge distillation for identification of childhood pneumoniaGrega Vrbančič, Vili Podgorelec, 2025, original scientific article Abstract: Childhood pneumonia remains a key cause of global morbidity and mortality, highlighting the need for accurate and efficient diagnostic tools. Ensemble methods have proven to be among the most successful approaches for identifying childhood pneumonia from chest X-ray images. However, deploying large, complex convolutional neural network models in resource-constrained environments presents challenges due to their high computational demands. Therefore, we propose a novel ensemble-based knowledge distillation method for identifying childhood pneumonia from X-ray images, which utilizes an ensemble of classification models to distill the knowledge to a more efficient student model. Experiments conducted on a chest X-ray dataset show that the distilled student model achieves comparable (statistically not significantly different) predictive performance to that of the Stochastic Gradient with Warm Restarts ensemble method (F1-score on average 0.95 vs. 0.96, respectively), while significantly reducing inference time and decreasing FLOPs by a factor of 6.5. Based on the obtained results, the proposed method highlights the potential of knowledge distillation to enhance the efficiency of complex methods, making them more suitable for utilization in environments with limited computational resources.
Keywords: knowledge distillation, convolutional neural networks, childhood pneumonia
Published in DKUM: 20.08.2025; Views: 0; Downloads: 7
Full text (915,47 KB) |
3. Primerjava platform za neprekinjeno integracijo in dostavo programske opremeUrška Spevan, 2025, undergraduate thesis Abstract: Neprekinjena integracija, dostava in namestitev bistveno izboljšajo razvoj programskih rešitev, saj naslavljajo problematiko, ki je ročno izvajanje procesov, posledično večje število napak ter podaljšan čas razvoja programske opreme. V diplomskem delu smo primerjali platformi GitHub ter GitLab. V teoriji smo primerjavo platform naredili s podatki iz prebranih študij; v empiričnem delu smo razvili dve preprosti aplikaciji, jih naložili na omenjeni platformi, na njiju vzpostavili cevovod neprekinjene integracije in dostave ter med seboj primerjali postopka in hkrati tudi zahtevnost vzpostavitve cevovoda. Prišli smo do zaključka, da je lažja in bolj praktična za uporabo platforma GitHub.
Keywords: neprekinjena integracija, neprekinjena dostava, GitHub, GitLab
Published in DKUM: 10.07.2025; Views: 0; Downloads: 28
Full text (3,03 MB) |
4. Prepoznavanje pasem psov s pomočjo globokega učenja : diplomsko deloMinea Rupnik, 2025, undergraduate thesis Abstract: V diplomskem delu obravnavamo problem prepoznavanja pasem psov iz slik. Naš cilj je bil zasnovati in implementirati model z uporabo globokega učenja, ter pri tem doseči visoko napovedno uspešnost modela pri klasifikaciji pasem. Diplomsko delo zajema teoretične osnove strojnega učenja, podroben opis globokega učenja ter uporabljene arhitekture nevronskih mrež, kot tudi osnove uporabljenega programskega jezika Python in njegovih knjižnic. V praktičnem delu smo implementirali rešitev, kjer smo preizkusili različne arhitekture in analizirali njihovo učinkovitost.
Keywords: strojno učenje, globoko učenje, nevronske mreže, prenos znanja, Python
Published in DKUM: 03.06.2025; Views: 0; Downloads: 52
Full text (3,51 MB) |
5. Učenje s prenosom znanja z uporabo rekurentnih nevronskih mrež za namen napovedovanja cen živil : magistrsko deloJana Janković, 2024, master's thesis Abstract: Živila so osnovne dobrine z velikim vplivom na gospodarsko in družbeno stabilnost, zato je natančno napovedovanje njihovih cen ključno. Modeli globokega učenja lahko prepoznajo kompleksne vzorce v časovnih vrstah, kot so zgodovinske cene živil. V tej raziskavi smo eksperimentalno primerjali konvencionalni pristop učenja in učenje s prenosom znanja v rekurentnih nevronskih mrežah za napovedovanje cen. Po iskanju optimalnih hiperparametrov smo modele naučili nad podatki, uporabili prenos znanja in ovrednotili oba pristopa. Na podlagi pridobljenih rezultatov smo ugotovili, da učenje s prenosom znanja bistveno pospeši proces učenja, vendar na račun slabše napovedne uspešnosti. Kljub temu pa rezultati magistrskega dela prispevajo k razumevanju, kdaj, zakaj in v kakšnih primerih je uporaba učenja s prenosom znanja smiselna izbira.
Keywords: napovedovanje cen živil, učenje s prenosom znanja, RNN, analiza časovnih vrst.
Published in DKUM: 15.01.2025; Views: 0; Downloads: 64
Full text (4,19 MB) |
6. Samodejno strojno učenje znotraj relacijske podatkovne baze PostgreSQLAljaž Šek, 2024, undergraduate thesis Abstract: V diplomskem delu smo predstavili in raziskovali uporabnost integracije samodejnega strojnega učenja znotraj relacijske podatkovne baze PostgresSQL. Osredotočili smo se na primerjavo dveh odprtokodnih orodij, ki to integracijo omogočata, in sicer MindsDB in PostgresML, kateri smo primerjali na praktičnem primeru prodaje vozil. Prikazali smo celoten postopek namestitve, povezovanje s podatkovno bazo in uporabo obeh orodij za gradnjo modela strojnega učenja. Raziskali smo glavne razlike med obema orodjema in na koncu predstavili prednosti in slabosti ter ugotovitve primerjave.
Keywords: strojno učenje, samodejno strojno učenje, strojno učenje znotraj relacijskih
podatkovnih baz, MindsDB, PostgresML
Published in DKUM: 23.12.2024; Views: 0; Downloads: 60
Full text (2,22 MB) |
7. Razvoj napovednih modelov z uporabo strojnega učenja za zmanjšanje izmeta v proizvodnji podjetja Talum, d. d.Alen Gojkošek, 2024, master's thesis Abstract: Magistrsko delo se osredotoča na razvoj napovednih modelov za napovedovanje izmeta aluminijastih izdelkov v proizvodnji podjetja Talum. Raziskava vključuje analizo proizvodnega procesa, obdelavo podatkov in uporabo različnih tehnik strojnega učenja. Z uporabo metod, kot so eksplorativna analiza podatkov, inženiring značilk in k-kratno prečno preverjanje, so bili razviti in ovrednoteni modeli za napovedovanje izmeta. Rezultati kažejo na izboljšano razumevanje dejavnikov, ki vplivajo na izmet, in ponujajo priložnosti za optimizacijo proizvodnega procesa. Delo zaključujejo priporočila za implementacijo modelov in nadaljnje raziskave na tem področju.
Keywords: strojno učenje, aluminijasti ulitki, napovedovanje izmeta, optimizacija proizvodnje, analiza podatkov
Published in DKUM: 22.10.2024; Views: 0; Downloads: 55
Full text (2,61 MB) |
8. Napovedovanje športnih rezultatov v nogometu s pomočjo strojnega učenja : diplomsko deloJakob Simičak, 2024, undergraduate thesis Abstract: V zaključnem delu smo se osredotočili na statistiko pričakovanih zadetkov v nogometu. S programom Figma smo ustvarili izgled programa, ki smo ga poimenovali Footstat. Program Footstat uporablja podatke podjetja Statsbomb, ki je med vodilnimi podjetji v zbiranju in obdelovanju nogometnih podatkov. Z uporabo njihovega API-ja smo lahko dostopali do podatkov preko Python knjižnice. Omejili smo se na brezplačne podatke, ki jih je podjetje namenilo za raziskovalne in študijske namene. Nato smo ustvarili metriko s pomočjo logistične regresije, ki smo jo implementirali s pomočjo knjižnice za obdelavo podatkov v Pythonu Scikit-learn. Končni rezultat je postal program Footstat, ki je s pomočjo metrike izračunal pričakovane zadetke za izbrane tekme glede na omejene podatke podjetja Statsbomb . Izračunane pričakovane zadetke smo na koncu primerjali z dejanskimi zadetki na tekmah in analizirali morebitna odstopanja.
Keywords: pričakovani zadetki, nogomet, logistična regresija, Statsbomb, Footstat
Published in DKUM: 08.10.2024; Views: 0; Downloads: 41
Full text (3,58 MB) |
9. Določanje uspešnosti počepa s pomočjo strojnega vidaNejc Graj, 2024, undergraduate thesis Abstract: V tem diplomskem delu bomo predstavili področje strojnega učenja, bolj specifično področje
globokega učenja. V teoretičnem delu bomo prikazali, kako se je strojno učenje do sedaj že
uporabljalo v športu, kako strojno in globoko učenje delujeta ter kako poteka proces učenja
konvolucijskih nevronskih mrež. V praktičnem delu bomo ustvarili svojo učno množico in
nato z algoritmom, ki je zasnovan na konvolucijskih nevronskih mrežah, ustvarili model, ki
je zmožen določati uspešnost počepa po pravilih zveze za Powerlifting.
Keywords: strojni vid, globoko učenje, konvolucijske nevronske mreže, powerlifting
Published in DKUM: 19.09.2024; Views: 0; Downloads: 62
Full text (3,43 MB) |
10. Sistemska administracija v LinuxuIztok Fister, Iztok Fister, 2023 Abstract: Pričujoča knjiga je namenjena tako začetnikom, ki želijo pridobiti osnovno znanje in veščine, potrebne za upravljanje operacijskega sistema Linux, kakor tudi izkušenim sistemskim administratorjem, ki želi osvežiti svoje znanje. Knjiga je razdeljena na tematsko organizirana poglavja, ki se začnejo z uvodom v sistem Linux in se postopoma poglobijo v njegove osnovne komponente. Bralci se bodo naučili pisanja skript Bash, izkoriščanja moči skripnih programov sed in awk, učinkovitega upravljanja uporabnikov, optimizacije diskov in datotečnih sistemov ter konfiguriranja omrežnih virov. V knjigi so številni primeri iz resničnega sveta, ki zagotavljajo praktična spoznanja in utrjujejo obravnavane koncepte. Ne glede na to, ali gre za začetnika ali izkušenega administratorja, ta knjiga ponuja jasno in pragmatično znanje za obvladovanje upravljanja sistema Linux.
Keywords: operacijski sistem Linux, sistemska administracija, skriptno programiranje, sed, awk
Published in DKUM: 02.11.2023; Views: 898; Downloads: 122
Full text (4,01 MB)
This document has many files! More... |
