1. Sortiranje fižolovih zrn z uporabo strojnega vida : magistrsko deloSamo Šlander, 2022, magistrsko delo Opis: V magistrskem delu je predstavljen projekt, ki temelji na zasnovi metode za sortiranje fižola s pomočjo strojnega vida. Njegov namen je nadomestiti ročno sortiranje. V delu je opisan tudi razvoj klasifikacijskega modela za razvrščanje slik fižola ter mehanskega koncepta. Prav tako je predstavljeno področje strojnega vida ter strojnega učenja. Na koncu pa je predstavljen nabor baze podatkov, razvrstitev slik po kategorijah z uporabo prenosnega učenja in algoritma k-najbližjih sosedov, ovrednotenje rezultatov le-teh ter koncept mehanske separacije.
Ključne besede: strojni vid, CNN, KNN, sortiranje fižola, klasifikacija
Objavljeno v DKUM: 28.06.2022; Ogledov: 104; Prenosov: 18
 Celotno besedilo (5,66 MB) |
2. |
3. Primerjava metod jezikovnih tehnologij za odkrivanje lažnih novic : magistrsko deloNejc Lovrenčič, 2022, magistrsko delo Opis: Socialna omrežja in tradicionalni viri novic imajo velik vpliv na razmišljanje ter dejanja posameznikov v družbi. Napačna ali izmišljena dejstva in lažne novice lahko zato povzročijo veliko škodo. V sklopu magistrskega dela smo primerjali metode Naivni Bayes, logistično regresijo, nevronsko mrežo z dolgim kratkoročnim spominom in graf konvolucijsko nevronsko mrežo za odkrivanje lažnih novic. S preučitvijo sorodne literature in primerjavo metod smo ugotovili, da je težko prepoznati lažne novice zgolj s klasifikacijo besedila. Pri klasifikaciji novic na dva razreda se je najbolje izkazal logistična regresija, pri klasifikaciji na šest razredov pa nevronska mreža LSTM.
Ključne besede: jezikovne tehnologije, nevronske mreže, lažne novice, klasifikacija besedila
Objavljeno v DKUM: 11.05.2022; Ogledov: 190; Prenosov: 41
Celotno besedilo (1,36 MB) |
4. |
5. Strojno učenje : s Pythonom do prvega klasifikatorjaSašo Karakatič, Iztok Fister, 2022 Opis: Knjiga služi kot uvod v področje strojnega učenja za vse, ki imajo vsaj osnovne izkušnje s programiranjem. Pregledajo se pomembni pojmi strojnega učenja (model znanja, učna in testna množica, algoritem učenja), natančneje pa se predstavi tehnika klasifikacije in način ovrednotenja kvalitete modelov znanja klasifikacije. Spozna se algoritem klasifikacije k najbližjih sosedov in predstavi se uporaba tega algoritma – tako konceptualno kakor v programski kodi. Knjiga poda številne primere v programskem jeziku Python in okolju Jupyter Notebooks. Za namen utrjevanja znanja pa so ponujene naloge (tako računske, kot programerske) s podanimi rešitvami.
Ključne besede: strojno učenje, umetna inteligenca, klasifikacija, k najbližjih sosedov, Python
Objavljeno v DKUM: 27.01.2022; Ogledov: 578; Prenosov: 111
Celotno besedilo (7,04 MB)
Gradivo ima več datotek! Več... |
6. Metoda prilagodljivega uglaševanja slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja : doktorska disertacijaGrega Vrbančič, 2021, doktorska disertacija Opis: 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.
Ključne besede: strojno učenje, globoko učenje, učenje s prenosom znanja, klasifikacija, uglaševanje, optimizacija
Objavljeno v DKUM: 19.10.2021; Ogledov: 457; Prenosov: 96
Celotno besedilo (5,35 MB) |
7. Delno nadzorovan meta klasifikator v programskem jeziku Python : diplomsko deloIngrid Mirnik, 2021, diplomsko delo Opis: V zaključnem delu se ukvarjamo z razvojem delno nadzorovanega meta klasifikatorja in njegovim delovanjem. Namen zaključenega dela je predstaviti koristnost delno nadzorovane klasifikacije ter uporabo te na praktičnem primeru. Rešitev smo razvili s pomočjo programskega jezika Python in scikit-learn knjižnice. Pri preverjanju delovanja klasifikatorja smo se omejili na tri različne podatkovne množice, katerim se deleži označenih podatkov spreminjajo glede na test. Primerjali smo rezultate nadzorovanih in delno nadzorovanih klasifikatorjev, ki so se vrnili podobni. Ugotovili smo, da med rezultati nadzorovanih in delno nadzorovanih klasifikatorjev ni bistvene razlike, razen v časovni zahtevnosti, ki je občutno večja pri delno nadzorovanih klasifikatorjih.
Ključne besede: Python, delno nadzorovana klasifikacija, strojno učenje
Objavljeno v DKUM: 18.10.2021; Ogledov: 274; Prenosov: 45
Celotno besedilo (2,43 MB) |
8. Celovit pregled orodij za samodejno strojno učenje : diplomsko deloTomi Milošič, 2021, diplomsko delo Opis: V diplomski nalogi smo raziskali področje samodejnega strojnega učenja, osredotočili smo se na orodja za samodejno strojno učenje in poudarili njihove prednosti in slabosti na podlagi primerjave glede na različne nabore podatkov. Osredotočili smo se tudi na metodo klasifikacije, saj je to pogosta naloga strojnega učenja. Namen diplomske naloge je ugotoviti, katero orodje je najbolj optimalno za posamezno nalogo. Diplomsko nalogo smo razdelili na dva dela, in sicer teoretični del in praktični del. V teoretičnem delu smo se osredotočili na razjasnitev pojmov, zgodovino strojnega učenja in opis orodij samodejnega strojnega učenja. V praktičnem delu smo opravili primerjave med orodji in ugotovili, da le-ta vračajo podobne rezultate klasifikacije različno hitro. Ugotovili smo tudi, da so orodja namenjena uporabnikom, ki niso strokovnjaki na področju strojnega učenja, in da si orodja delijo skupne značilnosti.
Ključne besede: klasifikacija, strojno učenje, samodejno strojno učenje, umetna inteligenca
Objavljeno v DKUM: 18.10.2021; Ogledov: 296; Prenosov: 53
Celotno besedilo (1,37 MB) |
9. Klasifikacija posameznih faz penetracijskega testiranja glede na njihovo uporabnost pri določenih IKT rešitvah : diplomsko deloDomen Leš, 2021, diplomsko delo Opis: Penetracijsko testiranje IKT rešitev je kompleksen proces varnostnega pregleda IKT rešitev, katerega glavni cilj je identifikacija ranljivosti z uporabo metod, ki jih pogosto uporabljajo zlonamerni napadalci. V diplomskem delu smo se ukvarjali z analizo faz penetracijskega testiranja. Predstavili smo postopek, faze, klasične napade in nekatera orodja, uporabljena pri penetracijskem testiranju. Opravili smo štiri preglede izbranih realnih IKT rešitev ter analizirali njihovo zgradbo ter lastnosti. Na teh podatkih smo opravili analizo ter sestavili seznam gradnikov in sistem klasifikacije IKT rešitev za namene penetracijskega testiranja.
Ključne besede: penetracijski pregled, pentest, klasifikacija, faze
Objavljeno v DKUM: 18.10.2021; Ogledov: 251; Prenosov: 23
Celotno besedilo (704,47 KB) |
10. Razvoj klasifikacijskega modela za računalniško opremoBojan Perko, 2021, magistrsko delo Opis: Zaključna naloga obravnava načrtovanje in razvoj celovite rešitve, ki vključuje razvoj več
razrednega klasifikacijskega modela in razvoj modelov razvrščanja v skupine z uporabo
strojnega učenja.
Glavni namen rešitve je nadomestitev ročnega uvrščanja podatkov o računalniških
izdelkih v vnaprej določene skupine izdelkov, in sicer z avtomatizirano celovito rešitvijo,
katere namen je izboljšanje procesa izračuna indeksa cen življenjskih potrebščin. Izdelki,
razvrščeni v skupine, so namreč osnova za zajem podatkov pri izračunu indeksa cen
življenjskih potrebščin, ki se uporablja za merilo inflacije.
Rešitev smo razvili po metodologiji CRISP-DM, z uporabo različnih tehnologij, in sicer
relacijske podatkovne baze Microsoft SQL Server, ogrodja .NET Core, ogrodja ML.NET in
programskega jezika C#.
Rezultat zaključnega dela je celovita rešitev, ki omogoča samodejno izvajanje napovedi
oziroma klasifikacije podatkov o računalniških izdelkih ter v nadaljevanju združevanje teh
podatkov v homogene skupine, hkrati pa preko aplikacijskega vmesnika uporabnikom
omogoča nadzor nad izvajanjem delovanja rešitve.
Rešitev, ki smo jo razvili v zaključni nalogi, pripomore k bolj konsistentni, kakovostni in
učinkoviti obdelavi podatkov ter s tem olajša delo pri naročniku. Možnosti nadaljnjega
razvoja se kažejo v več segmentih, pri čemer je bistvenega pomena uporaba večje
količine podatkov in s tem bolj natančna klasifikacija.
Ključne besede: strojno učenje, klasifikacija, gručenje, ML.NET, podatkovna baza
Objavljeno v DKUM: 18.08.2021; Ogledov: 425; Prenosov: 43
Celotno besedilo (2,09 MB) |
