1. Tehnike umetnega povečanja testnih podatkov za klasifikacijo EKG signalovZala Lahovnik, 2025, magistrsko delo Opis: Atrijska fibrilacija je ena najpogostejših in najnevarnejših srčnih aritmij, njena pravočasna identifikacija pa je ključna za preprečevanje resnih zapletov. Kljub razvoju metod strojnega učenja ostaja pomanjkanje kakovostnih in strokovno označenih EKG podatkov, ki jih je težko pridobiti brez kardioloških ekspertov, velik izziv. V zaključnem delu smo zato preučili tehnike umetnega povečanja testnih podatkov, pri katerih model med napovedovanjem obravnava več spremenjenih verzij istega signala. Z eksperimentom, ki je vključeval različne kompleksnosti modelov, pristope učenja in načine odločanja, smo pokazali, da tehnike umetnega povečanja testnih podatkov delno prispevajo k boljši napovedi.
Ključne besede: umetno povečanje testnih podatkov, EKG signali, klasifikacija
Objavljeno v DKUM: 22.12.2025; Ogledov: 0; Prenosov: 8
 Celotno besedilo (3,49 MB) |
2. Pravna ureditev kriptosredstev v Sloveniji in EU: klasifikacija, licenciranje in davčni vidiki v luči uredbe MiCANina Tratnik, 2025, magistrsko delo Opis: Magistrsko delo obravnava Uredbo MiCA kot prvi celovit pravni okvir Evropske unije za področje kriptosredstev. Poseben poudarek je namenjen vprašanju, kako uredba vpliva na razdrobljenost obstoječih nacionalnih ureditev ter kakšne razlike se pojavljajo pri njeni implementaciji v Sloveniji, Nemčiji in na Hrvaškem. Analiza kaže, da MiCA pomembno prispeva k harmonizaciji pravil in večji pravni varnosti, hkrati pa razkriva razlike v nacionalnih pristopih, zlasti na področju davčne obravnave. Empirični del naloge ugotavlja, da se Nemčija sooča predvsem z nadgradnjo obstoječega sistema, Hrvaška z vzpostavitvijo novih pravil, Slovenija pa z vmesnim pristopom, ki razkriva številne izzive. Med drugim se izkaže, da davčna ureditev v Sloveniji še vedno ne zagotavlja enake predvidljivosti kot v Nemčiji. Ugotovitve potrjujejo, da MiCA ustvarja temelje za stabilnejši, preglednejši in zaupanja vreden trg kriptosredstev, vendar še ne ponuja dokončnega odgovora na vse izzive, povezane s hitro razvijajočim se področjem.
Ključne besede: Kriptosredstva, Uredba MiCA, licenciranje, klasifikacija, davčna obravnava kriptosredstev
Objavljeno v DKUM: 18.12.2025; Ogledov: 0; Prenosov: 3
Celotno besedilo (1,30 MB) |
3. Uvajanje metod strojnega učenja v študijske programe kemijskega inženirstva : magistrsko deloJure Šuster, 2025, magistrsko delo Opis: V magistrskem delu so predstavljeni temeljni koncepti strojnega učenja in orodja za njihovo implementacijo, s posebnim poudarkom na praktičnem učenju z uporabo programskega jezika Python in njegovih uveljavljenih knjižnic, kot so NumPy, Pandas, Scikit-learn, Matplotlib, Keras in TensorFlow. Delo sistematično opisuje ključne faze razvoja modelov strojnega učenja, ki vključujejo pridobivanje in predobdelavo podatkov, izvedbo eksplorativne analize, uporabo različnih algoritmov za učenje ter vrednotenje njihove uspešnosti z ustreznimi metričnimi kazalci. V praktičnem delu so podrobneje prikazani trije primeri uporabe. Prvi primer obravnava napoved topnosti spojin, pri čemer je bil na osnovi javno dostopnega nabora podatkov razvit regresijski model za napoved kvantitativnih vrednosti. Drugi primer prikazuje uporabo klasifikacijskega modela za razvrščanje podatkov, pri čemer je bil poseben poudarek namenjen vrednotenju uspešnosti modela z različnimi metrikami. Tretji primer vključuje učenje večplastne nevronske mreže na znanem podatkovnem naboru ročno napisanih številk MNIST in ilustrira celoten proces – od priprave podatkov, nastavitve arhitekture modela, učenja modela, do vizualizacije in interpretacije rezultatov. Rezultati teh primerov potrjujejo, da je strojno učenje mogoče učinkovito približati študentom kemijskega inženirstva s kombinacijo teoretičnih osnov in praktičnih vaj, kar pomembno prispeva k njihovi boljši usposobljenosti za izzive sodobne industrije.
Ključne besede: strojno učenje, kemijsko procesno inženirstvo, nevronske mreže, regresija, klasifikacija
Objavljeno v DKUM: 30.10.2025; Ogledov: 0; Prenosov: 14
Celotno besedilo (3,02 MB) |
4. Metoda hierarhične večznačne klasifikacije na osnovi ekstrakcije značilnic s tekstovno analizo mikrobiotskih podatkov : doktorska disertacijaLucija Brezočnik, 2025, doktorska disertacija Opis: Zanesljiva identifikacija kompleksnih vsebinskih struktur v primerih, kjer posamezni primerki podatkovnega nabora niso homogeni, pač pa združujejo informacije več virov, predstavlja enega izmed ključnih metodoloških izzivov sodobne podatkovne analitike. Relativno enostavna je namreč naloga, kjer je določen primerek homogen in ga z uporabo večrazredne klasifikacije znamo relativno preprosto razvrstiti v enega izmed ponujenih razredov. Kompleksnost pa se drastično poveča, ko se v istem primerku skriva več virov. V tem primeru osnovne metode analize ne zadostujejo več in potrebujemo naprednejše pristope, ki so sposobni razbrati soobstoj več razredov oziroma oznak, kar je tudi domena večznačne klasifikacije. V predloženi doktorski disertaciji obravnavamo omenjeni problem na področju metagenomike, ki med drugim omogoča raziskovanje mikrobiote, raznolike skupnosti bakterij in drugih mikroorganizmov v določenem okolju. Z naprednimi tehnikami sekvenciranja iz njih pridobimo zaporedja DNK celotne mikrobne združbe, ki jih lahko opišemo kot izjemno dolga besedila, zapisana z abecedo štirih nukleotidov: A, T, G in C. Naš cilj je v teh besedilih poiskati t. i. označevalne gene, ki so izključno ali močno povezani z gostiteljem. V ta namen smo na podlagi optimizacijskih pristopov in domenskih pravil predlagali metodo ekstrakcije značilnic, temelječo na osnovi k-merov, tj. krajših delov DNK. Pristop na osnovi k-merov se je izkazal za zelo učinkovitega, zato smo ga uporabili tudi pri sintetičnem generiranju vzorcev mikrobnih oziroma mikrobiotskih podatkov. Metoda temelji na pripravi profilov k-merov in na nanje osnovanih grafih prehodov. Ker smo v doktorski disertaciji analizirali lokacijsko specifične vzorce, smo morali njihov manjši nabor čistih vzorcev ustrezno razširiti. Še več, sintetično smo razširili tudi nabor mešanih vzorcev, kar predstavlja še večji izziv v realnih okoljih. Obe predlagani metodi sta se združili v konceptualno najzahtevnejšem delu doktorske naloge, predlagani metodi hierarhične večznačne klasifikacije na osnovi ekstrakcije značilnic, imenovani MLB. Z njo smo na osnovi vhodnih podatkov, tj. čistih ali sintetično ustvarjenih vzorcev, napovedovali deleže gostiteljev v mešanih mikrobnih vzorcih. Rezultate metode MLB smo primerjali s tistimi, pridobljenimi z orodjem SourceTracker, vodilnim orodjem za natančno identifikacijo in kvantifikacijo gostiteljev mikrobov v mešanih vzorcih. Metodi smo ovrednotili z uveljavljenimi metrikami na področju večznačne klasifikacije, ki razkrivajo, da metoda MLB učinkovito rešuje problem določitve gostiteljev in njihovih deležev ter poda primerljive, večinoma pa boljše rezultate kot orodje SourceTracker.
Ključne besede: strojno učenje, večznačna klasifikacija, ekstrakcija značilnic, obdelava naravnega jezika, mikrobiotski podatki
Objavljeno v DKUM: 20.10.2025; Ogledov: 0; Prenosov: 44
Celotno besedilo (22,60 MB) |
5. Funkcionalnosti in uporaba dokumentnega sistema v praksiJan Nagovnak Gradišnik, 2025, magistrsko delo Opis: Digitalna preobrazba poslovnih procesov je v zadnjih letih bistveno vplivala na način upravljanja z dokumentacijo. Podjetja se zaradi vse večje količine informacij, zakonskih zahtev in potrebe po varnosti, hitrosti in preglednosti odločajo za implementacijo dokumentnih sistemov (DMS), ki omogočajo učinkovito elektronsko upravljanje poslovne dokumentacije. Magistrska naloga celostno obravnava ključne funkcionalnosti DMS ter skozi praktičen projekt predstavi kompleksnost digitalizacije fizičnega arhiva, s poudarkom na opremljanju dokumentov z metapodatki, klasifikacijskih pravilih in končnem vključevanju dokumentov v elektronski arhiv.
V teoretičnem delu so predstavljene glavne značilnosti DMS, kot so klasifikacija dokumentov, uporaba strukturiranih metapodatkov, verzijsko sledenje, pravice dostopa, iskalni mehanizmi, povezljivost z drugimi informacijskimi sistemi ter tehnološke možnosti različnih arhitektur (lokalne, oblačne in hibridne rešitve). Poseben poudarek je namenjen pomenu standardiziranega vnosa metapodatkov in njihove vloge pri dolgotrajni hrambi, hitrem iskanju in zagotavljanju skladnosti s predpisi. V nadaljevanju je prikazana tudi tehnična podlaga sistemov, kot so baze podatkov, API-ji, mehanizmi indeksiranja ter uporaba OCR-tehnologije za prepoznavanje besedila na digitaliziranih dokumentih.
Praktični del naloge temelji na izvedenem projektu masovnega skeniranja za naročnika, pri čemer je bil cilj zmanjšati fizični arhiv in omogočiti lažje ter hitrejše iskanje dokumentacije. Arhiv je obsegal več kot tisoč rednikov, razdeljenih na štiri vsebinske sklope. Projekt je zajemal pripravo fizičnega prostora, prevzem dokumentacije, skeniranje z uporabo profesionalnih skenerjev, avtomatski in ročni zajem metapodatkov ter prenos v elektronski arhiv. Za opremljanje dokumentov je bila uporabljena specializirana programska oprema, pri čemer je sistem omogočal učenje na podlagi preteklih dokumentov (t. i. šablone), kar je pospešilo proces opremljanja.
Med izvajanjem projekta so se pojavile številne tehnične, organizacijske in vsebinske težave. Med ključne izzive sodijo napake na skenerjih zaradi obrabljenosti papirja in umazanije, neustrezna usposobljenost kadra za delo z dokumenti ter težave pri razumevanju vsebine. Slednje so se rešile z dodatnimi validacijskimi postopki in okrepljenim sodelovanjem z naročnikom. Poleg tega so bila v procesu upoštevana pravila informacijske varnosti, zlasti pri nastavitvah dostopnih pravic, ki so bile definirane na ravni klasifikacijskih znakov in povezane z aktivnimi imeniki uporabnikov.
Rezultati projekta kažejo, da premišljen pristop, ustrezna tehnična rešitev in jasno postavljeni procesi pripomorejo k uspešni transformaciji fizičnega arhiva v elektronsko obliko. S tem se izboljšata preglednost nad dokumentacijo in učinkovitost zaposlenih, hkrati pa se dolgoročno znižujejo stroški upravljanja z dokumenti. Pridobljene izkušnje nudijo dobro osnovo za nadaljnje projekte digitalizacije tudi v drugih organizacijah.
Ključne besede: Dokumentni sistem (DMS), digitalizacija dokumentov, masovno arhiviranje, metapodatki, klasifikacijski načrt, elektronski arhiv, optično prepoznavanje znakov (OCR), iskanje po vsebini, pravice dostopa, verzijsko sledenje, integracija podatkov, proces obdelave dokumentov, avtomatska klasifikacija, dolgoročna hramba, informacijska varnost.
Objavljeno v DKUM: 07.10.2025; Ogledov: 0; Prenosov: 20
Celotno besedilo (3,21 MB) |
6. Klasifikacija glasbenih instrumentov s pomočjo nevronskih mrež : magistrsko deloJure Lebar, 2025, magistrsko delo Opis: V magistrskem delu je obravnavana klasifikacija glasbenih instrumentov s pomočjo nevronskih mrež. Primerjani so bili trije modeli: enodimenzionalna konvolucijska mreža (1D CNN), dvodimenzionalna konvolucijska mreža (2D CNN) in rekurentna nevronska mreža (LSTM). Kot vhodni podatki so bili uporabljeni mel-spektrogrami zvočnih posnetkov desetih različnih instrumentov. Rezultati kažejo, da je 2D CNN dosegla najboljšo natančnost pri klasifikaciji, medtem ko je LSTM imel največ napak, a je kljub temu dosegel solidne rezultate.
Ključne besede: nevronske mreže, klasifikacija instrumentov, konvolucijska mreža, rekurentna nevronska mreža
Objavljeno v DKUM: 22.09.2025; Ogledov: 0; Prenosov: 26
Celotno besedilo (4,08 MB) |
7. Klasifikacija krompirja s pomočjo globokih nevronskih mrež s podporo barvne in termovizijske analize : magistrsko deloTaja Pec, 2025, magistrsko delo Opis: V magistrskem delu obravnavamo klasifikacijo krompirja v tri kakovostne razrede – gnili, krmni in jedilni – z uporabo naprednih globokih nevronskih mrež. Model smo razvili v programskem jeziku Python z uporabo ogrodja TensorFlow. Primerjali smo učinkovitost treh sodobnih arhitektur konvolucijskih nevronskih mrež: EfficientNet, DenseNet in Xception, ter na podlagi rezultatov izbrali najbolj primerno za našo podatkovno bazo. DenseNet201 je izstopal kot najbolj natančen in stabilen model, DenseNet121 pa je ponujal najboljše ravnovesje med natančnostjo in računsko zahtevnostjo. Preizkusili smo tudi termovizijsko kamero za preučevanje možnosti zaznave gnilobe na podlagi temperaturnih razlik krompirja in opisali omejitve te metode. Cilj raziskave je razvoj inteligentnega, cenovno dostopnega sistema za avtomatsko sortiranje krompirja, ki bi povečal produktivnost kmetijske proizvodnje ob minimalnih stroških.
Ključne besede: globoko učenje, konvolucijske nevronske mreže, klasifikacija krompirja, TensorFlow, termovizijska analiza
Objavljeno v DKUM: 22.09.2025; Ogledov: 0; Prenosov: 13
Celotno besedilo (8,18 MB) |
8. Razvrščanje odpadkov s pomočjo globokih nevronskih mrežTeodora Grneva, 2025, magistrsko delo Opis: Magistrsko delo se osredotoča na pomemben izziv učinkovitega razvrščanja odpadkov. Pravilna identifikacija in ločevanje odpadkov sta ključna za izboljšano ravnanje z njimi, višje stopnje recikliranja in zmanjšanje negativnih vplivov na okolje. V nalogi uporabljamo napredne tehnike globokega učenja, predvsem kompleksne umetne nevronske mreže, za natančno klasifikacijo odpadkov na podlagi slik. Cilj je optimizirati razvrščanje odpadkov z raziskovanjem in primerjavo različnih modelov globokega učenja, tehnik predobdelave slik ter prenosom znanja za izboljšanje natančnosti klasifikacije. Ugotovitve bodo prispevale k razvoju naprednih sistemov za ravnanje z odpadki in ohranjanju okolja.
Ključne besede: strojno učenje, globoko učenje, klasifikacija slik, razvrščanje odpadkov, nevronske mreže
Objavljeno v DKUM: 04.09.2025; Ogledov: 0; Prenosov: 26
Celotno besedilo (1,67 MB) |
9. Gradnja uravnoteženih evolucijskih klasifikacijskih dreves : magistrsko deloTadej Lahovnik, 2024, magistrsko delo Opis: Uspešnost odločitvenih dreves temelji na predpostavki, da učni podatki za vsak razred vključujejo enako količino informacij. Pri nesorazmerni porazdelitvi razredov so klasifikatorji pristransko usmerjeni k večinskim razredom. Zaradi majhnega števila vzorcev manjšinskih razredov klasifikatorji niso zmožni ustreznega usvajanja znanja, kar vodi do slabšega posploševanja in prekomernega prileganja. V okviru zaključnega dela smo razvili več algoritmov za gradnjo uravnoteženih evolucijskih dreves, ki se osredotočajo na reševanje izzivov, povezanih z nesorazmerno porazdelitvijo razredov. Rezultati eksperimenta kažejo, da uravnoteženost evolucijskih dreves ne prispeva k izboljšanju klasifikacije v primerjavi s tradicionalnimi metodami.
Ključne besede: evolucijski algoritem, odločitvena drevesa, klasifikacija, neuravnoteženi podatki
Objavljeno v DKUM: 06.02.2025; Ogledov: 0; Prenosov: 88
Celotno besedilo (2,85 MB) |
10. Uporaba evolucijskih algoritmov v statističnem in hibridnem strojnem prevajanju : doctoral dissertationJani Dugonik, 2025, doktorska disertacija Opis: Doktorska disertacija obravnava področje strojnega prevajanja visoko fleksibilnih jezikov, osredotoča pa se na izzive tako statističnega kot nevronskega strojnega prevajanja, ki jih prinašajo strukturne razlike med visoko fleksibilnimi jeziki in angleščino. Naša raziskava vključuje tudi eksperimentalni del, izveden na jezikovnem paru \mbox{slovenščina--angleščina}, ki zajema prevajanje v obe smeri. V prvem eksperimentu smo načrtovali nov pristop za optimizacijo parametrov v statističnem strojnem prevajanju z uporabo evolucijskih algoritmov. Primerjali smo sisteme statističnega strojnega prevajanja, optimizirane s klasičnimi algoritmi za optimizacijo uteži v statističnem strojnem prevajanju, in sisteme, optimizirane z evolucijskimi algoritmi. V drugem eksperimentu pa smo načrtovali in razvili hibridni pristop, ki vključuje sisteme statističnega in nevronskega strojnega prevajanja. Izvorno poved in dva ciljna prevoda, prevedena z obema sistemoma, smo pretvorili v isti vektorski prostor, iz katerega smo nato pridobili vektorje značilk. V okviru doktorske disertacije smo pred\-lagali nov nabor značilk. Z uporabo klasifikatorjev smo nato izbrali boljšega izmed dveh prevodov, statističnega in nevronskega. Evalvacijo sistemov strojnega prevajanja smo izvedli z uporabo uveljavljenih metrik, kot so BLEU, TER, chrF in COMET. Opravili smo statistično analizo eksperimentalnih rezultatov s ponovnim vzorčenjem, ki je pokazala statistično pomembne razlike v kakovosti ustvarjenih prevodov. Eksperimentalni rezultati potrjujejo, da smo s predlaganimi pristopi izboljšali kakovost strojnih prevodov.
Ključne besede: evolucijski algoritem, statistično strojno prevajanje, nevronsko strojno prevajanje, hibridni pristop strojnega prevajanja, optimizacija, predstavitev besed, klasifikacija, obratno prevajanje
Objavljeno v DKUM: 29.01.2025; Ogledov: 0; Prenosov: 96
Celotno besedilo (1,21 MB) |
