1. Gradnja uravnoteženih evolucijskih klasifikacijskih drevesTadej 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: 5
Celotno besedilo (2,85 MB) |
2. 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: 10
Celotno besedilo (1,21 MB) |
3. Vnos ultra-procesiranih živil v sodobni prehrani in tveganje za zdravjeNika Zupanič, 2024, magistrsko delo Opis: Uvod: V zadnjih 50 letih so se vzorci prehranjevalnih navad ljudi in proizvodnja hrane močno spremenili. Prehrana in naše prehranjevalne navade vplivajo na številna tveganja za zdravje, kar pa lahko vodi v različne bolezni. Ultra-procesirana živila so tako imenovane industrijske formulacije, ki so priročne, okusne in visoko kalorične. Namen zaključnega dela je pregledati znanstveno literaturo o ultra-procesiranih živilih ter njihovem vplivu na zdravje ljudi.
Metode: Izvedli smo »scoping« pregled znanstvene literature, uporabili pa smo deskriptivno metodo dela. Uporabili smo naslednje podatkovne baze: PubMed, CINAHL in Web of Science. S pomočjo diagrama PRISMA smo predstavili izbor virov, izvedli pa smo tudi tematsko analizo in sintezo podatkov.
Rezultati: Izmed dobljenih 173 člankov smo jih 7 vključili v končno analizo. Ugotovili smo, da imajo prehrana in prehranjevalne navade posameznikov močan vpliv na zdravje in na kakovost življenja. Povečan vnos ultra-procesiranih živil vodi v povečano tveganje za mnoge bolezni, kot so: sladkorna bolezen, debelost, bolezni srca itd.
Diskusija in zaključek: Ultra-procesirana živila, ki vedno bolj postajajo del našega vsakdana, imajo mnoge negativne posledice na naše zdravje in splošno kakovost našega življenja. Ključnega pomena je ozaveščanje tako potrošnikov kot zdravstvenih delavcev, kaj točno ultra-procesirana živila so in kakšen je njihov vpliv na zdravje ljudi. Ključne besede: Sodobna prehrana, ultra-procesirana živila, klasifikacija NOVA, tveganja za zdravje Objavljeno v DKUM: 20.01.2025; Ogledov: 0; Prenosov: 15
Celotno besedilo (1,17 MB) |
4. Metoda kontekstno odvisne vektorske predstavitve sprememb programske kode za klasifikacijo vrste aktivnosti vzdrževanja : doktorska disertacijaTjaša Heričko, 2024, doktorska disertacija Opis: V doktorski disertaciji obravnavamo raziskovalni problem avtomatizacije prepoznavanja namenov sprememb programskih rešitev, izvedenih v fazi vzdrževanja. Klasifikacija programskih sprememb glede na vrsto aktivnosti vzdrževanja, ki odraža specifične namene sprememb, omogoča učinkovitejšo analizo in načrtovanje vzdrževanja, podpira delovne procese in naloge razvijalcev ter se pogosto uporablja v raziskavah programskega inženirstva za proučevanje sprememb in evolucije rešitev. S ciljem ugotavljanja raziskovalnih vrzeli smo s sistematičnim pregledom literature proučili obstoječe pristope h klasifikaciji sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja. Za naslovitev teh vrzeli smo s študijo sistematičnega mapiranja pregledali pristope vektorizacije sprememb programske kode z učenjem predstavitev na podlagi izvorne kode, ki se v obstoječi literaturi uporabljajo za naslavljanje različnih izzivov programskega inženirstva. Na podlagi ugotovitev smo razvili in predlagali novo metodo kontekstno odvisne vektorske predstavitve sprememb programske kode, ki omogoča ekstrakcijo semantičnih značilk sprememb izvorne kode med dvema različicama programske rešitve ob upoštevanju konteksta sprememb. Predlagana metoda predstavi spremembo programske rešitve kot množico podrobnih sorodnih sprememb programske kode, temelječih na predstavitvah zaznanih razlik v izvorni kodi na osnovi žetonov. Za ekstrakcijo semantičnih vložitev sorodnih sprememb metoda uporablja strojno učenje s prenosom znanja iz izbranega prednaučenega jezikovnega modela programske kode iz družine modelov BERT, kot so CodeBERT, UniXcoder in StarEncoder, ki je bil predhodno dodatno prilagojen ciljni nalogi s paradigmama samonadzorovanega in nadzorovanega učenja. Pridobljene vektorske vložitve podrobnih sorodnih sprememb so nato združene v enotno semantično vektorsko predstavitev spremembe programske rešitve. Za klasifikacijo sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja smo na označeni podatkovni množici izgradili modele strojnega učenja, pri čemer smo za ekstrakcijo značilk uporabili predlagano metodo ter referenčne in obstoječe metode predstavitve sprememb rešitev. Z nadzorovanim eksperimentom, študijo ablacije in primerjalno študijo smo proučili vpliv različnih parametrov predlagane metode predstavitve sprememb na uspešnost klasifikacije, primerjali uspešnost klasifikacije ob uporabi predlagane metode v primerjavi z uporabo referenčnih in obstoječih metod predstavitve sprememb ter ovrednotili uspešnost multimodalnih modelov strojnega učenja, temelječih na nadgradnji obstoječih metod predstavitve sprememb s predlagano metodo z združevanjem modalnosti naravnega jezika in programske kode. Empirične rezultate smo statistično analizirali s pomočjo frekventistične in Bayesove statistike. Izsledki raziskav potrjujejo izhodiščno tezo, da je z uporabo nove metode mogoče izgraditi modele strojnega učenja, ki uspešno klasificirajo spremembe programskih rešitev glede na vrsto aktivnosti vzdrževanja. Osrednje ugotovitve doktorske disertacije so naslednje: vektorske predstavitve sprememb programske kode na osnovi predlagane metode dosegajo primerljivo ali višjo uspešnost pri klasifikaciji v primerjavi s predstavitvami na osnovi referenčnih in obstoječih metod; zmanjšanje dimenzionalnosti kontekstno odvisnih vektorskih predstavitev sprememb omogoča zmanjšanje števila dimenzij brez negativnega vpliva na uspešnost klasifikacije; multimodalni klasifikacijski modeli dosegajo višjo uspešnost klasifikacije v primerjavi z unimodalnimi modeli. Ključne besede: vzdrževanje programske opreme, spremembe programskih rešitev, rudarjenje repozitorijev programskih rešitev, strojno učenje, klasifikacija, nevronski jezikovni modeli programske kode, vektorske predstavitve, vektorska vložitev Objavljeno v DKUM: 06.01.2025; Ogledov: 0; Prenosov: 36
Celotno besedilo (5,56 MB) |
5. Napovedni dejavniki razvoja nemotoričnih fenotipov parkinsonove bolezniTimotej Petrijan, 2024, doktorska disertacija Opis: Cilj te raziskave je bil preučiti dejavnike tveganja, prodromalne simptome, nemotorične simptome (NMS) in motorične simptome (MS) kot napovedne dejavnike za različne nemotorične fenotipe Parkinsonove bolezni (PB). Skupno 168 bolnikov je opravilo celovite preglede NMS in MS. Bolniki so bili na podlagi novo zasnovanih vključitvenih kriterijev razvrščeni v skupine treh NMS fenotipov (kortikalni, limbični in možgansko-debelni). Identificirali smo 38 (22,6%) bolnikov s kortikalnim fenotipom, 48 (28,6%) z limbičnim in 82 (48,8%) bolnikov z možgansko-debelnim fenotipom. Nadalje je bilo izvedeno podatkovno vodeno združevanje kot alternativni pristop klasifikacije, ki temelji na metodah strojnega učenja. Primerjali smo oba klasifikacijska pristopa za doslednost. Pearsonov hi-kvadrat test neodvisnosti je pokazal, da sta bila oba pristopa povezana z veliko velikostjo učinka (ꭓ2(8) = 175.001, p < 0.001, Cramerjev V = 0.722). Demografski in klinični profili so se pomembno razlikovali med NMS fenotipi in nam lahko predstavljajo diagnostične napovedne dejavnike za razvoj posameznega fenotipa. Novo zasnovani kriteriji imajo potencial kot poenostavljeno orodje za prihodnje klinične raziskave NMS fenotipov PB. Ključne besede: Parkinsonova bolezen, nemotorični fenotipi, a priori klasifikacija, analiza grozdov, napovedni dejavniki Objavljeno v DKUM: 22.11.2024; Ogledov: 0; Prenosov: 16
Celotno besedilo (6,11 MB) |
6. Vloge za spinto sopran v Verdijevih operah : magistrsko deloNina Kreča, 2024, magistrsko delo Opis: To magistrsko delo preučuje vloge spinto soprana v operah Giuseppeja Verdija. Namen je pojasniti »Fach sistem« in podrobno opisati značilnosti in posebnosti spinto soprana. Delo se osredotoča na Verdijeve opere ter analizira glasbene vloge, ki zahtevajo to specifično vrsto sopranskega glasu. Eden od ciljev je ugotoviti, ali so Verdijeve kompozicije temeljile zgolj na dramaturgiji ali pa je imel v mislih določen tip glasu. Raziskava vključuje zgodovinsko analizo vlog, ki so jih tradicionalno izvajale spinto sopranistke, pregled sodobnih izvajalk ter pedagoške metode za prepoznavanje in razvoj mladih spinto sopranistk.
Metodološko naloga združuje arhivsko raziskovanje, pregled literature, analizo notnih zapisov ter intervju s priznano operno pevko in pedagoginjo Eleno Pankratovo. Viri zajemajo več knjižnic in digitalnih podatkovnih zbirk, kar omogoča celovit vpogled v vlogo spinto soprana v Verdijevih opernih delih in njegov razvoj skozi čas. Ključne besede: Giuseppe Verdi, spinto sopran, poučevanje, Fach sistem, klasifikacija glasov Objavljeno v DKUM: 02.10.2024; Ogledov: 0; Prenosov: 5
Celotno besedilo (3,92 MB) |
7. Uporaba umetne inteligence na področju varnosti geselMatej Malek, 2024, diplomsko delo Opis: V diplomski nalogi smo predstavili osnove umetne inteligence oziroma strojnega učenja in njeno uporabo v varnosti sodobnih informacijskih tehnologij ter rešitev. Podali smo razloge, zakaj je njena uporaba koristna in potrebna ter kako se z njo že srečujemo v vsakdanjem življenju. Navedli smo tudi bistvene težave in napade, s katerimi se srečujemo, ter kako jih ljudje rešujejo s pomočjo umetne inteligence. V teoretičnem delu smo se osredotočili na razjasnitev pojmov, zgodovino napadov in razlago uporabljenih algoritmov. V praktičnem delu pa smo opravili primerjavo treh algoritmov strojnega učenja za ugotavljanje moči gesla, s čimer smo prišli do zaključka, da so nevronske mreže, čeprav najbolj časovno potratne, tudi najboljša izbira. Ključne besede: K-najbližji sosed, klasifikacija, nevronske mreže, odločitvena drevesa, strojno
učenje Objavljeno v DKUM: 19.09.2024; Ogledov: 0; Prenosov: 24
Celotno besedilo (1,71 MB) |
8. Razpoznava umetno ustvarjenih slik z metodami strojnega učenjaJan Premzl, 2024, magistrsko delo Opis: V zaključnem delu smo izdelali modularno aplikacijo, ki je namenjena napovedovanju, ali je slika realna ali umetno ustvarjena. Za ta namen smo naučili enajst različnih modelov, vsakega s petnajstimi različnimi kombinacijami hiperparemetrov. Na podlagi tega smo dobili rezultate, kjer smo izračunali razne statistične mere in korelacije med rezultati. Poleg servisa za klasifikacijo oz. za učenje modelov smo izdelali tudi servis za ustvarjanje učne množice po lastnih željah, spletno aplikacijo, ki omogoča napovedi, in aplikacijski programski vmesnik, ki služi za komunikacijo med servisom za razpoznavo in spletno aplikacijo. Ključne besede: Strojno učenje, nevronske mreže, klasifikacija, PyTorch Objavljeno v DKUM: 11.09.2024; Ogledov: 56; Prenosov: 26
Celotno besedilo (9,68 MB) |
9. Federativno učenje z nevronskimi mrežami : magistrsko deloJaka Čugalj, 2024, magistrsko delo Opis: V magistrskem delu raziščemo postopek učenja nevronskih mrež in predstavimo idejo federativnega učenja, ki omogoči sodelovanje več naprav pri učenju enega modela nevronske mreže brez izmenjave učnih primerov. Glavna prednost federativnega učenja je, da naprava svojih lokalnih podatkov ne deli z ostalimi napravami, zato ostanejo zasebni. Preučili smo algoritme federativnega učenja FedSGD, FedAvg, FedProx, SCAFFOLD, FedVARP, ClusterFedVARP in FedRolex, ki na različne načine rešujejo izzive takšnega načina učenja. Prav tako predstavimo novo rešitev, ki komplementarno združi nekatere naštete algoritme tako, da se lahko v nekaterih primerih ob istih pogojih učenje izvaja učinkoviteje. Učinkovitost učenja smo testirali na klasifikacijskem problemu razpoznave ročno napisanih števil podatkovne zbirke MNIST ter problemu napovedovanja naslednje črke v stavku, kjer smo učne primere generirali s pomočjo literarnih del Williama Shakespeara. Izvedli smo analizo vpliva različnih parametrov algoritmov na učenje nevronskih mrež in primerjali vpliv neenakomerne porazdelitve podatkov na hitrost konvergence posameznih algoritmov na različnih podatkovnih zbirkah. Implementirali smo simulator federativnega učenja z uporabniškim vmesnikom, preko katerega lahko uporabnik ureja parametre učnih algoritmov in odjemalcev ter izvaja učenje in testiranje različnih modelov v ločenih nitih. Ključne besede: nevronske mreže, federativno učenje, klasifikacija, MNIST, stohastični gradientni spust Objavljeno v DKUM: 01.07.2024; Ogledov: 169; Prenosov: 57
Celotno besedilo (6,46 MB) |
10. Razpoznava drevesnih vrst iz oblakov točk z uporabo globokih nevronskih mrež : magistrsko deloVid Topolovec Klemenčič, 2024, magistrsko delo Opis: V magistrskem delu obravnavamo razpoznavo drevesnih vrst iz oblakov točk z uporabo novejših nevronskih mrež in primerjamo uspešnost razpoznave s sorodnimi deli. Razpoznavo smo zasnovali na dva različna načina. Pri prvem načinu smo izbrali in pripravili nevronsko mrežo za obdelavo 3D podatkov oz. oblakov točk, medtem ko smo pri drugem načinu izbrali in pripravili nevronsko mrežo za obdelavo 2D podatkov oz. slik. Pripravili smo tudi skupno podatkovno zbirko z združitvijo prosto dostopnih zbirk, ki vsebujejo posamezna drevesa v obliki oblakov točk, in med učenjem obogatili podatke. Po zaključenem učenju s pripravljeno skupno podatkovno zbirko nismo dosegli podobnih zaključkov kot v primerjanem predhodnem delu. V našem primeru je izbrana nevronska mreža, namenjena obdelavi 3D podatkov, dosegla 4 % višjo skupno točnost od izbrane nevronske mreže, ki je obdelovala 2D podatke. Ključne besede: globoke nevronske mreže, klasifikacija drevesnih vrst, 3D oblaki točk, 2D slike, obogatitev podatkov Objavljeno v DKUM: 01.07.2024; Ogledov: 155; Prenosov: 53
Celotno besedilo (16,54 MB) Gradivo ima več datotek! Več... |