| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


11 - 20 / 145
Na začetekNa prejšnjo stran12345678910Na naslednjo stranNa konec
11.
Primerjava klinične in patološke diagnostike v oceni tveganja bolnic z rakom endometrija
Leja Ocvirk, 2021, končno poročilo o rezultatih raziskav

Ključne besede: rak endometrija, ocena tveganja, molekularna klasifikacija
Objavljeno v DKUM: 07.02.2022; Ogledov: 599; Prenosov: 20
.pdf Celotno besedilo (629,57 KB)

12.
Strojno učenje : s Pythonom do prvega klasifikatorja
Sašo 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: 1797; Prenosov: 243
.pdf Celotno besedilo (7,04 MB)
Gradivo ima več datotek! Več...

13.
Metoda prilagodljivega uglaševanja slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja : doktorska disertacija
Grega 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: 1052; Prenosov: 209
.pdf Celotno besedilo (5,35 MB)

14.
Delno nadzorovan meta klasifikator v programskem jeziku Python : diplomsko delo
Ingrid 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: 726; Prenosov: 68
.pdf Celotno besedilo (2,43 MB)

15.
Celovit pregled orodij za samodejno strojno učenje : diplomsko delo
Tomi 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: 1109; Prenosov: 169
.pdf Celotno besedilo (1,37 MB)

16.
Klasifikacija posameznih faz penetracijskega testiranja glede na njihovo uporabnost pri določenih IKT rešitvah : diplomsko delo
Domen 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: 610; Prenosov: 35
.pdf Celotno besedilo (704,47 KB)

17.
Razvoj klasifikacijskega modela za računalniško opremo
Bojan 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: 831; Prenosov: 63
.pdf Celotno besedilo (2,09 MB)

18.
Implementacija sistema za klasifikacijo novic o vrednostnih papirjih
Jure Jakič, 2021, magistrsko delo

Opis: Klasifikacija novic o podjetjih predstavlja časovno zelo dolgotrajen proces, saj je vsako novico potrebno prebrati in ji na podlagi vsebine določiti vsebinski pomen. Z razvojem metod za podatkovno rudarjenje lahko ta proces avtomatiziramo, s čimer novice razvrščamo v zanemarljivem času. V okviru magistrskega dela smo razvili sistem pridobivanja, prečiščevanja in klasifikacije novic. Novice smo pridobivali iz brezplačnih spletnih virov ter si ustvarili korpus besedil, ki smo jih najprej obdelali z orodjem Orange ter nato zgradili napovedne modele z uporabo različnih algoritmov. S pomočjo vizualizacij in matrike zamenjav smo prikazali kakovost napovednih modelov ter jih na podlagi njihove uspešnosti ovrednotili. S pomočjo ML.NET knjižnice smo na koncu razvili sistem avtomatske klasifikacije, ki novice glede na njihovo vsebino z 80 % natančnostjo klasificira v skupine.
Ključne besede: podatkovno rudarjenje, klasifikacija tekstov, trgovanje, novice, vrednostni papir
Objavljeno v DKUM: 09.08.2021; Ogledov: 727; Prenosov: 43
.pdf Celotno besedilo (1,84 MB)

19.
Funkcionalne poteze rastlinskih vrst s prehodno prisotnostjo v vegetaciji vrstno bogatih travišč
Ana Munda, 2021, magistrsko delo

Opis: Da bi lahko razumeli, kakšne so posledice izgube vrst v ekosistemu, moramo poznati kakšna je vloga posamezne vrste znotraj ekosistema. Eden izmed pristopov pri ugotavljanju vloge vrste v okolju je tudi model DST klasifikacije, ki smo ga uporabili v naši raziskavi. Temelji na razvrstitvi rastlinskih vrst v vegetaciji med dominantne, podrejene ali prehodne vrste, in sicer glede na njihovo relativno celokupno pokrovnost in stalnost. Prednostne vrste predstavljajo zelo majhen delež biomase v določenem habitatu, hkrati pa s poznavanjem njihovih morfološko funkcionalni potez (MFP) lahko napovedujemo, katere med njimi bodo v vegetaciji postale podrejene ali celo dominantne, v primeru, da pride do sprememb določenega okoljskega dejavnika, intenzitete motnje in/ali stresa ipd. Namen naše raziskave je bil analizirati in primerjati prehodne vrste v dveh asociacijah polnaravnih ekstenzivnih travišč: asociacije Onobrychido viciifolia-Brometeum in asociacije Scabioso hladnikianae-Caricetum humilis. Prehodnim rastlinskim vrstam smo določili prednosti habitat, indikatorske vrednosti po Ellenbergu in 13 MFP. Podatke smo analizirali z različnimi uni- in multivariatnimi metodami. Ugotovili smo, da se prehodne vrste obeh asociacij razlikujejo v naslednjih MFP: življenjski obliki, obliki rasti, višini rastlin, tipih vegetativnega razmnoževanja, vrednostih LDMC, SLA ter CSR strategijah. Razlike v lastnostnih prehodnih vrst asociacij lahko razložimo z razlikami v stičnih habitatih travišč asociacije, od koder te vrste izvirajo. Prehodne vrste obeh asociacij imajo najbolj poudarjeno kompeticijsko (C) strategijo, razlikujejo pa se v kombinaciji vpliva stresa in motnje. Iz tega lahko sklepamo, da bi se v obeh asociacijah ob spremembah, ki bi izboljšale rastne razmere (zmanjšanje motnje in/ali stresa), povečala številnost in pokrovnost tistim vrstam, ki imajo poudarjeno C – strategijo. Rezultati naše raziskave predstavljajo pomembno osnovo za morebitne prihodnje raziskave, v katerih bi povezovali specifične spremembe okolja s spremembami floristične in funkcionalne sestave obravnavanih tipov traviščne vegetacije.
Ključne besede: polnaravna suha travišča, DST klasifikacija, morfološko-funkcionalne poteze, CSR strategije rastlin
Objavljeno v DKUM: 01.04.2021; Ogledov: 1082; Prenosov: 173
.pdf Celotno besedilo (2,73 MB)

20.
Razvoj sistema detekcije objektov za avtonomna vozila z uporabo tehnologije LiDAR : magistrsko delo
Peter Fekonja, 2021, magistrsko delo

Opis: V magistrskem delu je predstavljena uporaba LiDAR sistemov in globokega učenja v kontekstu avtonomnih vozil. Delo vključuje teoretično in eksperimentalno delo. V teoretičnem delu predstavimo aktualne rešitve za razvoj LiDAR sistemov, najpogosteje uporabljene pristope za globoko učenje in metode obdelave LiDAR točkovnih oblakov z nevronskimi mrežami. Prav tako so predstavljeni aktualni senzorski sistemi na trenutni generaciji avtonomnih vozil, podatkovne baze namenjene učenju nevronskih mrež za uporabo v avtonomnih vozilih in trenutna generacija nizkocenovnih LiDAR senzorjev. V eksperimentalnem delu naloge je podrobno predstavljena zmogljivost Livox Mid-40 LiDAR sistema ter njegova uporaba v lastni rešitvi za detekcijo objektov v prometu. Podrobno je predstavljen razvoj lastne nevronske mreže kot klasifikatorja, razvoj lastnega pristopa za lokalizacijo objektov in primerjava naših rešitev z že obstoječimi pristopi. Naš pristop k lokalizaciji objektov je dosegal boljše ali primerljive rezultate z obstoječimi metodami, v kombinaciji z našim klasifikatorjem pa bistveno slabše rezultate od trenutnih enovitih modelov nevronskih mrež s prenosom znanja.
Ključne besede: LiDAR, Livox Mid-40, avtonomna vozila, globoko učenje, klasifikacija, lokalizacija
Objavljeno v DKUM: 01.03.2021; Ogledov: 1263; Prenosov: 75
.pdf Celotno besedilo (8,28 MB)

Iskanje izvedeno v 0.52 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici