Vaš brskalnik ne omogoča JavaScript!
JavaScript je nujen za pravilno delovanje teh spletnih strani. Omogočite JavaScript ali uporabite sodobnejši brskalnik.
|
|
SLO
|
ENG
|
Piškotki in zasebnost
DKUM
EPF - Ekonomsko-poslovna fakulteta
FE - Fakulteta za energetiko
FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
FF - Filozofska fakulteta
FGPA - Fakulteta za gradbeništvo, prometno inženirstvo in arhitekturo
FKBV - Fakulteta za kmetijstvo in biosistemske vede
FKKT - Fakulteta za kemijo in kemijsko tehnologijo
FL - Fakulteta za logistiko
FNM - Fakulteta za naravoslovje in matematiko
FOV - Fakulteta za organizacijske vede
FS - Fakulteta za strojništvo
FT - Fakulteta za turizem
FVV - Fakulteta za varnostne vede
FZV - Fakulteta za zdravstvene vede
MF - Medicinska fakulteta
PEF - Pedagoška fakulteta
PF - Pravna fakulteta
UKM - Univerzitetna knjižnica Maribor
UM - Univerza v Mariboru
UZUM - Univerzitetna založba Univerze v Mariboru
COBISS
Ekonomsko poslovna fakulteta
Fakulteta za kmetijstvo in biosistemske vede
Fakulteta za logistiko
Fakulteta za organizacijske vede
Fakulteta za varnostne vede
Fakulteta za zdravstvene vede
Knjižnica tehniških fakultet
Medicinska fakulteta
Miklošičeva knjižnica - FPNM
Pravna fakulteta
Univerzitetna knjižnica Maribor
Večja pisava
|
Manjša pisava
Uvodnik
Iskanje
Brskanje
Oddaja dela
Za študente
Za zaposlene
Statistika
Prijava
Prva stran
>
Izpis gradiva
Izpis gradiva
Naslov:
INDUKTIVNO UČENJE IZ OPAZOVANJ
Avtorji:
ID
Pišorn, Miha
(Avtor)
ID
Guid, Nikola
(Mentor)
Več o mentorju...
ID
Strnad, Damjan
(Komentor)
Datoteke:
UNI_Pisorn_Miha_2014.pdf
(2,45 MB)
MD5: B2AE36062A0ACC477ED3D685E7A7C332
Jezik:
Slovenski jezik
Vrsta gradiva:
Diplomsko delo/naloga
Tipologija:
2.11 - Diplomsko delo
Organizacija:
FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:
V diplomskem delu predstavimo učenje iz podatkov, kot model predvidevanja uporabimo odločitvena drevesa. Preučimo problem prekomernega prilagajanja in pogoste metode za njegovo omiljenje. Ansambelsko učenje je koncept v okviru umetne inteligence, ki združuje metode, ki sestavijo nabor klasifikatorjev in klasificirajo nove vhodne podatke na podlagi glasovanja. Te metode preučimo in pokažemo, zakaj se pogosto odrežejo bolje od posameznih klasifikatorjev. Implementiramo pogosto uporabljan algoritem Adaboost in preizkusimo njegovo obnašanje. Kot klasifikatorje uporabimo odločitvena drevesa.
Ključne besede:
umetna inteligenca
,
strojno učenje
,
odločitveno drevo
,
ansambelsko učenje
,
Adaboost
Kraj izida:
Maribor
Založnik:
[M. Pišorn]
Leto izida:
2014
PID:
20.500.12556/DKUM-46375
UDK:
004.89(043.2)
COBISS.SI-ID:
18546710
NUK URN:
URN:SI:UM:DK:PSA7HASN
Datum objave v DKUM:
06.03.2015
Število ogledov:
2845
Število prenosov:
166
Metapodatki:
Področja:
KTFMB - FERI
Citiraj gradivo
Navadno besedilo
BibTeX
EndNote XML
EndNote/Refer
RIS
ABNT
ACM Ref
AMA
APA
Chicago 17th Author-Date
Harvard
IEEE
ISO 690
MLA
Vancouver
:
PIŠORN, Miha, 2014,
INDUKTIVNO UČENJE IZ OPAZOVANJ
[na spletu]. Diplomsko delo. Maribor : M. Pišorn. [Dostopano 24 april 2025]. Pridobljeno s: https://dk.um.si/IzpisGradiva.php?lang=slv&id=46375
Kopiraj citat
Skupna ocena:
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
(0 glasov)
Vaša ocena:
Ocenjevanje je dovoljeno samo
prijavljenim
uporabnikom.
Objavi na:
Iščem podobna dela...
Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.
Sekundarni jezik
Jezik:
Angleški jezik
Naslov:
INDUCTIVE LEARNING FROM OBSERVATION
Opis:
In this diploma thesis we review learning from data using decision trees as a prediction model. We study the problem of overfitting and review common methods used to contain it. Ensemble learning is a concept in artificial intelligence that encompasses methods constructing a set of classifiers and classify new input data by taking a vote of their predictions. We review these methods and show why they often outperform single classifiers. We implement commonly used Adaboost algorithm and test its behavior, using decision trees as classifiers.
Ključne besede:
artificial intelligence
,
machine learning
,
decision tree
,
ensemble learning
,
Adaboost
Komentarji
Dodaj komentar
Za komentiranje se morate
prijaviti
.
Komentarji (0)
0 - 0 / 0
Ni komentarjev!
Nazaj
