1. Primeri uporabe pregleda grafov v globino : na študijskem programu 2. stopnje MatematikaMaša Galun, 2025, magistrsko delo Opis: V magistrski nalogi predstavimo različne algoritme, ki temeljijo na pregledu grafov v globino (DFS). Delovanje DFS algoritma prikažemo na problemih iz teorije grafov in teorije iger. Predstavimo osnovne pojme teorije grafov in analiziramo delovanje ter časovno zahtevnost DFS algoritma.Definiramo pojem krepke povezanosti in krepko povezanih komponent. Obravnavamo dva algoritma za iskanje krepko povezanih komponent v usmerjenih grafih (Kosaraju-Sharirjev in Tarjanov algoritem), ki ju implementiramo v programskem jeziku Python. V zadnjem poglavju preučujemo uporabo DFS algoritma v teoriji iger. Predstavimo minimax algoritem, ki se uporablja za določanje optimalne poteze v igrah z dvema igralcema in ga optimiziramo z alfa-beta obrezovanjem. Predstavljeno implementiramo v programskem jeziku Python, kjer analiziramo delovanje algoritmov na primeru igre križci in krožci.
Ključne besede: DFS, krepka povezanost, Tarjanov algoritem, Kosaraju-Sharirjev algoritem, minimax, alfa-beta obrezovanje, teorija iger, Python.
Objavljeno v DKUM: 10.07.2025; Ogledov: 0; Prenosov: 3
 Celotno besedilo (512,75 KB) |
2. Primerjava razvoja spletne rešitve z uporabo enega ali več programskih jezikov : diplomsko deloJože Lavrič, 2025, diplomsko delo Opis: Diplomsko delo obravnava primerjavo razvoja spletnih aplikacij z enim (Blazor/C#) ali več programskimi jeziki (Flask/Python in React/JavaScript). Problem predstavlja odločitev med enostavnejšo integracijo in večjo prilagodljivostjo. Cilj dela je bil ugotoviti prednosti in slabosti obeh pristopov. Metodološko smo uporabili študij literature, razvoj aplikacij, testiranje in evalvacijo s SUS-vprašalnikom. Rezultati kažejo, da razvoj z enim jezikom zmanjša kompleksnost, medtem ko večjezični pristop nudi boljše možnosti prilagajanja, a zahteva več usklajevanja in vzdrževanja.
Ključne besede: Python, C#, JavaScript, Flask, Blazor
Objavljeno v DKUM: 03.06.2025; Ogledov: 0; Prenosov: 26
Celotno besedilo (1,97 MB) |
3. Prepoznavanje pasem psov s pomočjo globokega učenja : diplomsko deloMinea Rupnik, 2025, diplomsko delo Opis: 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.
Ključne besede: strojno učenje, globoko učenje, nevronske mreže, prenos znanja, Python
Objavljeno v DKUM: 03.06.2025; Ogledov: 0; Prenosov: 24
Celotno besedilo (3,51 MB) |
4. Uporaba superelastičnega materialnega modela za numerične simulacije stiskanja žilne opornice : magistrsko deloJernej Rihter, 2025, magistrsko delo Opis: Žilne opornice omogočajo neoviran krvni obtok. Pogosto se za material žilnih opornic uporablja zlitina niklja in titana, znana pod komercialnim imenom Nitinol. Ta spada v skupino materialov z oblikovnim spominom. Posebna značilnost teh materialov je pojav superelastičnosti. Magistrsko delo proučuje vpliv uporabe superelastičnega in linearno elastičnega materialnega modela na rezultate simulacije stiskanja obroča žilne opornice, ki je parametrično modeliran v programskem jeziku Python in z uporabo knjižnic projektov PyAnsys (PyMAPDL). Rezultati so osredotočeni na napetosti in radialno togost, kjer opazujemo reakcijsko silo. Numerična simulacija temelji na metodi končnih elementov in je izvedena v programu Ansys. Analiza ob različnih materialnih modelih primerja tudi vpliv diskretizacije modela z enodimenzionalnimi in trodimenzionalnimi končnimi elementi. Rezultati magistrskega dela ugotavljajo, da ima materialni model pomemben vpliv na pravilen opis napetosti ob stiskanju obroča žilne opornice kot tudi na vrednosti reakcijske sile. Opazimo, da različna diskretizacija ne vpliva na reakcijsko silo, povzroča pa razlike v napetosti med obema modeloma.
Ključne besede: žilna opornica, spominske zlitine, superelastičnost, Nitinol, numerična simulacija, metoda končnih elementov, Ansys, Python, PyAnsys
Objavljeno v DKUM: 27.02.2025; Ogledov: 0; Prenosov: 37
Celotno besedilo (1,94 MB) |
5. Razvoj sistema za nadzor vlažnosti v mikrookolici nanopreciznega robota s Peltierjevim elementomSmiljana Milošević, 2024, diplomsko delo Opis: V diplomskem delu raziskujemo razvoj sistema za nadzor vlažnosti v mikrookolici nanopreciznega robota s Peltierjevim elementom. Cilj je bil ugotoviti, ali lahko Peltierjev element učinkovito regulira relativno vlažnost v komori za manipulacijo mikro objektov v nanorobotiki. Sistem uporablja senzorje za merjenje temperature in vlažnosti ter mikrokrmilnika Arduino in STM32 za vodenje sistema. Za upravljanje in prikaz rezultatov je bil razvit grafični vmesnik v programskem jeziku Python. Delo vključuje tudi modeliranje procesa in implementacijo PID regulatorja za optimizacijo nadzora vlažnosti.
Ključne besede: nanorobotika, Peltierjev element, Python, STM32, Ansys
Objavljeno v DKUM: 22.10.2024; Ogledov: 0; Prenosov: 42
Celotno besedilo (24,76 MB) |
6. Razvoj sistema za nadzor parametrov baterije v dirkalniku formule študent : diplomsko deloLuka Rušnik, 2024, diplomsko delo Opis: Diplomsko delo se osredotoča na razvoj sistema za nadzor baterijskega sklopa v električnem dirkalniku Formule Študent. Cilj je ustvariti aplikacijo, ki bo preko CAN vodila spremljala parametre baterije, kot so napetost in temperatura, ter podatke prikazovala v grafičnem vmesniku. Ta sistem bo omogočil nadzor med polnjenjem baterije in zagotovil skladnost z varnostnimi standardi tekmovanja. Pri izdelavi je bilo pomembno upoštevati omejena sredstva ekipe, kar zahteva racionalno izbiro strojne in programske opreme.
Ključne besede: Formula Študent, CAN vodilo, Python, parameterm, baterija
Objavljeno v DKUM: 07.10.2024; Ogledov: 0; Prenosov: 22
Celotno besedilo (1,22 MB) |
7. Optimizacija podatkov vremenskega modela z uporabo naprednih metod strojnega učenjaRene Rajzman, 2024, diplomsko delo Opis: Diplomsko delo prikazuje uporabo različnih kombinacij metod strojnega učenja, kot sta naključni gozd in gradientno povečevanje, ki jih ponuja Python knjižnica Sklearn, pri optimizaciji rezultatov vremenskih napovednih modelov. Obravnavani vremenski napovedni modeli se uporabljajo na področju elektroenergetskih sistemov za izračun dinamične termične meje daljnovodov. Končni sistem, ki za optimizacijo podatkov vremenskih napovednih modelov uporablja metode strojnega učenja, lahko izboljša natančnost izračunane termične meje, ki je ključnega pomena za dobro elektroenergetsko logistiko.
Ključne besede: strojno učenje, Python, DTR, vremenski modeli, optimizacija podatkov
Objavljeno v DKUM: 19.09.2024; Ogledov: 0; Prenosov: 66
Celotno besedilo (3,32 MB) |
8. Razvoj računalniške igre »Finding Habo« s pomočjo knjižnice PygameMatej Habjanič, 2024, diplomsko delo Opis: V diplomskem delu je bil prikazan razvoj računalniške igre "Finding Habo" s pomočjo knjižnice Pygame. Knjižnica je bila podrobneje spoznana od modulov, ki jih vsebuje, do njihove implementacije in uporabe. Prav tako je bil obravnavan programski jezik Python, v katerem deluje ta knjižnica. Predstavljeno je bilo tudi psihološko ozadje razvoja igre, pa tudi koncepti, ki so bili izdelani pri načrtovanju igre.
Ključne besede: Pygame, Python, razvoj igre, Finding Habo
Objavljeno v DKUM: 08.08.2024; Ogledov: 294; Prenosov: 74
Celotno besedilo (1,72 MB) |
9. Ocena odprtokodnega programskega okolja idaes za potrebe procesnega inženirstva : diplomsko delo visokošolskega strokovnega študijskega programa I. stopnjeZala Arih, 2024, diplomsko delo Opis: Diplomsko delo predstavlja uporabo programskega okolja IDAES za reševanje problemov v procesnem inženirstvu. Je programsko okolje, ki nam omogoča sinteze, optimizacije, reševanje problemov in mnogo več. Osredotočili smo se na dva primera in tri metode, ki zajemajo simulacijo, optimizacijo in dinamično optimizacijo, ki so ključne pri načrtovanju procesa. Programsko okolje omogoča vpogled v specifičen proces in nam poda rezultate, ki jih lahko z nadaljnjo optimizacijo in dinamično optimizacijo izboljšamo. Zaradi že vgrajenih knjižnic imamo veliko izbiro za načrtovanje in reševanje problemov. S pomočjo primerov simulacije, optimizacije in dinamične optimizacije predstavljamo sintakso modela.
V prvem primeru je zajeta simulacija in optimizacija proizvodnje benzena, kjer je cilj izboljšati učinkovitost celotnega procesa. Naslednji primer je proizvodnja natrijevega acetata, kjer s pomočjo programskega okolja najprej simuliramo izbrani proces in ga nato z optimizacijo in dinamično optimizacijo še nadgradimo in izboljšamo.
Dobljeni rezultati dela nakazujejo na to, da je programsko okolje primerno za načrtovanje procesov. Prednost je veliko število modelnih knjižnic, ki omogočajo reševanje problemov, izris grafov, modeliranje, simulacijo, vendar lahko pride do problema pri sami uporabi programskega okolja, saj programsko okolje zahteva določeno stopnjo razumevanja sintakse.
Ključne besede: IDAES, programsko okolje, Python, simulacija, optimizacija
Objavljeno v DKUM: 23.07.2024; Ogledov: 155; Prenosov: 43
Celotno besedilo (1,56 MB) |
10. Uporaba strojnega učenja za zaznavo kibernetskih napadov : magistrsko deloBenjamin Steiner, 2024, magistrsko delo Opis: Strojno učenje se vse več uporablja v povezavi z zaznavo kibernetskih napadov, saj lahko s tem načinom zaznamo tudi bolj napredne kibernetske napade kot z drugimi načini zaznave. Glavni element učenja algoritmov nadzorovanega strojnega učenja za katero koli domeno uporabe so ustrezno označeni učni podatki, prek katerih se algoritem uči in kasneje tudi deluje. Ne vemo pa, točno koliko podatkov ti algoritmi potrebujejo za učenje, da postanejo učinkoviti. V magistrskem delu je bila uporabljena podatkovna zbirka UNSW-NB15, ki vsebuje več milijonov paketkov simuliranega omrežnega prometa in devet različnih kibernetskih napadov, kjer je vsak paketek že označen kot običajen mrežni promet ali kibernetski napad. Izvedeno je bilo učenje sedmih najpogostejših algoritmov strojnega učenja pri različnih deležih uporabljenih podatkov, da se je lahko določilo, pri katerih deležih učnih podatkov se merjene metrike normalizirajo. Rezultati so pokazali, da se je v povprečju metrike izbranih algoritmov normaliziralo okoli 10 % uporabljenih učnih podatkov (8233 vnosov), kar lahko pripomore k izdelavi bolj učinkovitih algoritmov za zaznavo kibernetskih napadov.
Ključne besede: kibernetski napadi, strojno učenje, lokalna omrežja, Python, UNSW-NB15, magistrska dela
Objavljeno v DKUM: 05.07.2024; Ogledov: 170; Prenosov: 50
Celotno besedilo (1,41 MB) |
