Search the digital library catalog

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: 17
Full text (2,22 MB)

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: 29
Full text (3,58 MB)

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: 93
Full text (4,01 MB)
This document has many files! More...

Abstract: Zaključno delo se osredotoča na podvejo umetne inteligence, ki se imenuje strojno učenje. V zaključnem delu predstavljamo uporabo in implementacijo strojnega učenja na različnih področjih. Znotraj zaključnega dela se podrobneje osredotočamo na pametno kmetijstvo, katerega osrednja tematika v tej nalogi je odkrivanje škodljivcev, ki so v našem primeru polži Arion rufus. Kot rešitev problema je predstavljeno globoko učenje oz. uporaba konvolucijskih nevronskih mrež. V ta namen omenimo tudi različne pristope za učenje modelov računalniškega vida. Rešitev smo našli v pristopu YOLO (You only look once) v katerem smo izdelali naš model vida in ga primerjali s podobno študijo.
Keywords: Arion rufus, Globoko učenje, Pametno kmetijstvo, Umetna inteligenca
Published in DKUM: 05.10.2023; Views: 329; Downloads: 50
Full text (3,43 MB)

Abstract: 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.
Keywords: strojno učenje, globoko učenje, učenje s prenosom znanja, klasifikacija, uglaševanje, optimizacija
Published in DKUM: 19.10.2021; Views: 1381; Downloads: 297
Full text (5,35 MB)