Izpis gradiva

A+ | A- | | SLO | ENG

Naslov: Uporaba umetne inteligence za detekcijo neželenih SMS sporočil: analiza metod in eksperimentalna validacija : magistrsko delo študijskega programa druge bolonjske stopnje Spletna znanost in tehnologije Avtorji: ID Ikovic, Žiga (Avtor) ID Dobrovoljc, Andrej (Mentor) Več o mentorju... Datoteke: Ikovic_Ziga_md_2025.pdf (2,80 MB) MD5: 32C195A43B73C6DD120875055EB3623D   Jezik: Slovenski jezik Vrsta gradiva: Magistrsko delo/naloga Tipologija: 2.09 - Magistrsko delo Organizacija: UAMEU - Univerza Alma Mater Europaea 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 Kraj izida: Maribor Kraj izvedbe: Maribor Založnik: Ž. Ikovic Leto izida: 2025 Leto izvedbe: 2025 Št. strani: 74 str., [40] f. pril. PID: 20.500.12556/ReVIS-14068  UDK: 004.8:621.395(043.5) COBISS.SI-ID: 282234115  Datum objave v ReVIS: 19.06.2026 Število ogledov: 122 Število prenosov: 2 Metapodatki:    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 : Kopiraj citat

Objavi na: Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Sekundarni jezik

Jezik:	Angleški jezik
Opis:	In the master thesis we explored the use of artificial intelligence methods for detecting unwanted SMS messages, comparing traditional techniques, machine learning algorithms, and deep learning models. The theoretical part provides a systematic literature review, covering rule based methods, machine learning algorithms, deep learning approaches. The empirical part was based on the UCI SMS Spam Collection, which was preprocessed through cleaning, normalization, tokenization, and vectorization or word embedding. Experiments were conducted with Multinomial Naive Bayes, Support Vector Machine, Random Forest, Convolutional Neural Network, and BiLSTM methods. MNB and SVM achieved the highest F1-scores, while the deep learning algorithms demonstrated competitive accuracy. Machine learning modles proved to be the fastest, while deep learning models required the most computational resources, with BiLSTM showing the most stable results among the deep models. The main findings from the literature indicate that deep models generally achieve higher average accuracy, while machine learning algorithms remain highly effective. Due to the specific characteristics of SMS messages and the wide range of reviewed literature, we were not able to reproduce the findings from previous studies. Although our results showed that machine learning models were a little more effective, we were able to confirm the high efficiency of both machine learning and deep learning approaches.
Ključne besede:	artificial intelligence, SMS detection, machine learning, deep learning

Nazaj