1. |
2. Uporaba umetne inteligence za detekcijo neželenih SMS sporočil: analiza metod in eksperimentalna validacija : magistrsko delo študijskega programa druge bolonjske stopnje Spletna znanost in tehnologijeŽiga Ikovic, 2025, magistrsko delo Opis: V magistrskem delu je raziskana uporaba metod umetne inteligence za detekcijo neželenih SMS sporočil, pri čemer so primerjane tradicionalne tehnike, algoritmi strojnega učenja in modeli globokega učenja. V teoretičnem delu je opravljen sistematičen pregled literature, ki vključuje metode na osnovi pravil, algoritme strojnega in globokega učenja ter hibridne modele. Empirični del je temeljil na UCI SMS Spam Collection zbirki, ki je bila predhodno očiščena, normalizirana, tokenizirana in podvržena vektorizaciji oziroma vdelavi besed. Izvedeni so bili poskusi z metodami Multinomial Naive Bayes, Support Vector Machine, Random Forest, Convolutional Neural Network in Bidirectional LSTM, pri čemer sta MNB ter SVM dosegla najvišji F1-score, algoritma globokega učenja pa sta pokazala konkurenčno natančnost. Tradicionalne metode so bile najhitrejše, globoki modeli so zahtevali največje računske vire, pri čemer je BiLSTM izkazal najboljšo stabilnost rezultatov med modeli globokega učenja. Glavne ugotovitve iz literature kažejo, da globoki modeli prinašajo višjo povprečno natančnost, medtem ko ostajajo tradicionalni algoritmi strojnega učenja zelo učinkoviti. Zaradi specifičnih lastnosti SMS sporočil in širokega nabora pregledane literature nismo povsem uspeli ponoviti ugotovitev iz literature. Čeprav so naši rezultati pokazali, da so modeli strojnega učenja nekoliko bolj učinkoviti, smo lahko potrdili visoko učinkovitost tako modelov strojnega kot tudi globokega učenja.
Ključne besede: umetna inteligenca, SMS detekcija, strojno učenje, globoko učenje
Objavljeno v ReVIS: 19.06.2026; Ogledov: 194; Prenosov: 3
 Celotno besedilo (2,80 MB) |
3. |
4. |
5. |
6. Supervised descriptive rule induction : doctoral dissertationPetra Kralj Novak, 2009, doktorska disertacija Ključne besede: odkrivanje podatkov, avtomatsko učenje pravil, strojno učenje, nadzorovano učenje, opisna pravila, razpoznavanje vzorcev, statistika, vizualizacija podatkov
Objavljeno v ReVIS: 10.04.2026; Ogledov: 425; Prenosov: 3
Celotno besedilo (1,73 MB) |
7. |
8. Načrtovanje nevronske mreže za napovedovaje kvalitete tlačnega litja.Đejhan Ljimani, 2025, ni določena Opis: Diplomska naloga raziskuje področje umetne inteligence, s poudarkom na uporabi nevronskih mrež za napovedovanje kakovosti pri visokotlačnem litju. Uvodnemu delu, ki podaja kontekstualni okvir, sledi teoretični del, ki obravnava ključne vidike umetne inteligence, vključno z zgodovinskim razvojem umetne inteligence in opisom strojnega učenja, ki vključuje nadzorovano, nenadzorovano in spodbujevalno učenje. Prav tako so v tem delu opisane nevronske mreže, njihova sestava, arhitekturne značilnosti ter lastnosti, skupaj s procesi modeliranja, določitvijo topologije in metrikami za ocenjevanje učinkovitosti regresijskih modelov. Del je zaključen s pregledom programskega jezika Python in njegovih knjižnic za strojno učenje, ki podpirajo analizo v empiričnem delu naloge.
Empirični del naloge vključuje razvoj pilotnega modela napovedovanja kakovosti visokotlačnega litja s pomočjo orodja Orange ter implementacijo nevronske mreže v programskem jeziku Python. S pomočjo teh pristopov naloga prikazuje možno pot za napovedovanje kakovosti izdelkov pri visokotlačnem litju.
Ključne besede: umetna inteligenca, strojno učenje, nevronske mreže, Python, visokotlačno litje.
Objavljeno v ReVIS: 23.02.2025; Ogledov: 1438; Prenosov: 13
Celotno besedilo (1,90 MB) |
9. Primerjalna študija metod strojnega učenja za modeliranje QSAR : magistrska nalogaMatic Krivec, 2024, magistrsko delo Opis: Magistrska naloga predstavlja primerjalno analizo desetih različnih QSAR-algoritmov strojnega učenja, uporabljenih na desetih različnih QSAR-podatkovnih množicah, ob uporabi različnih molekulskih odtisov, da bi ocenili njihovo učinkovitost pri različnih značilnostih in velikostih podatkov. Glavni cilj je bil oceniti, kako izbira algoritma vpliva na natančnost in robustnost modelov pri napovedovanju biološke aktivnosti. Vsak algoritem je bil sistematično testiran z uporabo metrik, kot sta korelacijski koeficient (R²) in koren srednje kvadratne napake (RMSE) za ocenjevanje uspešnosti algoritmov strojnega učenja. Rezultati kažejo znatne razlike v delovanju modelov, kar poudarja, da značilnosti in velikost podatkovne množice ter izbira prstnih odtisov kritično vplivajo na napovedno uspešnost QSAR-modelov. Ta študija ponuja vpoglede v izbire algoritmov za raznolike aplikacije v odkrivanju zdravil ter potrjuje pomembnost značilnosti podatkovnih množic pri QSAR-modeliranju.
Ključne besede: QSAR, strojno učenje, molekulski odtisi, vrednotenje modelov, napovedno modeliranje
Objavljeno v ReVIS: 20.01.2025; Ogledov: 1609; Prenosov: 27
Celotno besedilo (3,30 MB) |
10. |
