1741. |
1742. |
1743. Razvoj NSP rezervacijske platforme za restavracije : diplomska nalogaGregor Janez Grajzar, 2023, undergraduate thesis Abstract: V diplomski nalogi predstavimo širši proces izdelave mobilne aplikacije skozi oči nepretrganega razvojnega cikla. Naloga se dotakne sodobnih raziskovalnih korakov na začetku procesa, kot so odkrivanje prilike in vrzeli v potrebah potencialnih uporabnikov, načrtovanje NSP (najosnovnejšega sprejemljivega produkta oz. angl. MVP) in prototipiranja ter se nadaljuje v tehničnem delu s tehničnimi premisleki, izgradnjo podatkovnega modela ter izdelavo strežniške in mobilne aplikacije. Končna rešitev obsega strežniško aplikacijo z uporabo načrtovalskih vzorcev v objektno orientiranem okolju PHP, na katero se povezuje React Native mobilna aplikacija. V procesu sodeluje zunanja storitev za overjanje uporabnikov Firebase auth. Predstavimo sodoben način razvoja strežniških aplikacij z MVC modelom in usmerjanjem zahtevkov.
Keywords: nepretrgan razvojni cikel, mobilna aplikacija, React Native, PHP, načrtovalski vzorci, Firebase auth, MVC
Published in ReVIS: 06.12.2023; Views: 1161; Downloads: 64
 Full text (4,71 MB) |
1744. |
1745. |
1746. |
1747. |
1748. |
1749. |
1750. Razvoj, ovrednotenje in primerjava odločitvenih modelov za napovedovanje delovanja čistilne naprave : diplomska nalogaMarko Štemberger, 2023, undergraduate thesis Abstract: V diplomski nalogi raziskujemo, kako lahko odločitvene modele v programu Orange
uporabimo za čiščenje odpadne vode. Glavno vprašanje, ki nas zanima, je, kako dobro lahko ti
modeli napovedujejo učinkovitost čistilnih naprav za odpadne vode, še posebej ko gre za
razmerje med različnimi vhodnimi in izhodnimi parametri. Da bi to ugotovili, smo se lotili
kombinacije empirične analize in strojnega učenja. Uporabili smo tri različne algoritme: Neural
Networks (NN), Random Forest (RF) in Naivni Bayes (NB). Da bi še dodatno izboljšali naše
modele, smo vključili tudi algoritem ReliefF, ki nam je pomagal izbrati tiste spremenljivke, ki
najbolj vplivajo na naše rezultate. Glavni cilj naše raziskave je bil razjasniti, kako lahko
odločitveni modeli pomagajo pri čiščenju odpadne vode. Končni cilji so bili jasni: ustvariti
robustne odločitvene modele, preveriti, kako dobro delujejo, in ugotoviti, katere spremenljivke
so ključne za uspešno čiščenje odpadne vode.
Keywords: strojno učenje, nevronske mreže, naključni gozd, naivni Bayes, algoritem ReliefF, odločitveni modeli, Orange
Published in ReVIS: 06.12.2023; Views: 1656; Downloads: 55
Full text (3,71 MB) |
