Repozitorij samostojnih visokošolskih in višješolskih izobraževalnih organizacij

Iskanje po repozitoriju
A+ | A- | Pomoč | SLO | ENG

Iskalni niz: išči po
išči po
išči po
išči po

Možnosti:
  Ponastavi


1 - 5 / 5
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
2.
Razvoj modela za podporo odločanja na področju duševnega zdravja
Daniel Kovačevič Rudolf, 2014

Opis: V magistrski nalogi razpravljamo o tekstovnem rudarjenju, ki je proces podatkovnega rudarjenja, razvitega kot znanstveni pristop iz strojnega učenja in statistike. V nalogi obravnavamo raziskovalni problem pridobivanja uporabnega znanja iz nestrukturiranih besedilnih virov za namen področja diagnostike na področju medicine, natančneje na področju duševnega zdravja. V nalogi najprej opišemo področje rudarjenja nad besedili, t. i. tekstovno rudarjenje, in nekaj poglavitnih metod, predstavimo domeno diagnostike in izzive na področju duševnega zdravja in na podlagi metodologije, ki smo jo v ta namen razvili, pripravimo model nad pridobljenimi podatki iz besedilnih virov, kar je namenjeno podpori odločanju v medicini. Magistrska naloga raziskuje, ali je pridobivanje informacij iz besedilnih virov s pomoĉjo tekstovnega rudarjenja primerno kot orodje za pomoč pri diagnostiki v medicini.
Najdeno v: ključnih besedah
Ključne besede: podatkovno rudarjenje, tekstovno rudarjenje, diagnoza, podpora pri odločanju
Objavljeno: 10.08.2018; Ogledov: 3082; Prenosov: 133
.pdf Celotno besedilo (2,19 MB)

3.
Primerjalna analiza Evklidske in Poincaréjeve metrike v algoritmih strojnega učenja
Alenka Trpin, 2018

Opis: Živimo v času, ko si življenja brez računalnikov ne predstavljamo. Množična uporaba tako imenovane informacijsko komunikacijske tehnologije je proizvedla velike količine podatkov, ki jih sami ne moremo interpretirati in uporabiti. Z orodji podatkovnega rudarjenja in strojnega učenja se velike množice podatkov lahko obdelajo in uporabijo za napovedovanje in klasifikacijo. Eno od orodij za tako obdelavo podatkov je WEKA. Naloga temelji na osnovnem klasifikacijskem agoritem k najbližjih sosedov. V različnih panogah (gospodarstvo, zdravstvo, vojska...) se vedno bolj uporablja in shranjuje podatkovne baze raznovrstnih slik oziroma fotografij. Pri prepoznavanju podobosti med dvema fotografijama je pomembno, da algoritem prepozna določene vzorce. Prepoznavanje temelji na metriki. V ta namen je v orodje WEKA implementiran algoritem, ki temelji na Poincaréjevi metriki. Testiran je na podatkovni množici fotografij. Za namen primerjave je bil uporabljen algoritmom, ki temelji na evklidski metriki.
Najdeno v: ključnih besedah
Ključne besede: podatkovno rudarjenje, strojno učenje, Poincaréjeva metrika, WEKA, k najbližjih sosedov, segmentacija
Objavljeno: 30.11.2018; Ogledov: 3636; Prenosov: 150
.pdf Celotno besedilo (1,07 MB)

4.
Podatkovno rudarjenje na področju spletne maloprodaje: študija primera specifične trgovine z darili v Veliki Britaniji
Leja Rukše, 2020

Opis: V diplomskem delu je rdeča nit podatkovno rudarjenje. Gre za eno izmed tehnoloških rešitev, ki pomagajo v podjetjih in znanstvenih ustanovah pri odkrivanju znanja v kupu podatkov, ki jih imenujemo tudi Big Data. Gre za odkrivanje vzorcev in povezav, ki koristijo, gledano trgovska podjetja, pri opredeljevanju strank med zveste kupce, tiste, ki se pogosto poslužujejo nakupov ali so redki kupci, zapravijo v podjetju največ ali pa so pogosti kupci. Namen rudarjenja je iz analiz razbrati, kaj stranka potrebuje in katere stranke se bodo z večjo verjetnostjo odzvale na ponudbo. Sicer pa je bistveno pri podatkovnem rudarjenju tudi to, da se uporablja lahko v vseh panogah in znatno pripomore k lažjemu poslovanju. V drugem delu je v empiričnem delu pred-stavljena konkretna analiza razvrščanja v skupine z rezultati.
Najdeno v: ključnih besedah
Ključne besede: podatkovno rudarjenje, Weka, analiza, atribut, filtriranje, razvrščanje v skupine, k-means
Objavljeno: 01.10.2020; Ogledov: 2125; Prenosov: 148
.pdf Celotno besedilo (1,57 MB)

5.
Izgradnja, vzdrževanje in optimiziranje napovednih modelov za namen diagnosticiranja zmanjševanja tveganj in lažjega odločanja
Luka Bojanec, 2020

Opis: Magistrska naloga govori o napovednih modelih in ugotavlja kako jih optimalno izdelati in uporabljati, ter kako z njimi sprejemati odločitve s čim manj tveganja. Predstavljamo praktične primere napovednih modelov iz različnih področij. V praktičnem delu se ukvarjamo z rakom dojk. S pomočjo prostodostopne podatkovne smo naredili 17 modelov, s katerimi želimo klasificirati bezgavke kot nerakave oziroma rakave. 8 modelov je narejenih na celotni in 9 na zmanjšani bazi podatkov. Najučinkovitejša modela sta bila narejena z metodo SVM. Ugotovili smo, da napovednega modela s 100 % natančnostjo ni mogoče izdelati, da se odgovorni za sprejemanje odločitev ne bodo vedno odločali na podlagi napovednega modela, čeprav jim bo le-ta na voljo, da sprejemanje odločitev na podlagi napovednih modelov prinaša manjša tveganja kot brez njih, da napovedni modeli brez vzdrževanja in posodabljanja ščasoma izgubljajo na napovedni natančnosti in so vedno manj uporabni, ter da so metode poglobljenega učenja po mnenju strokovnjakov pri gradnji napovednih modelov učinkovitejše od statističnih metod in metod strojnega učenja.
Najdeno v: ključnih besedah
Ključne besede: napovedni model, metode strojnega učenja, podatkovno rudarjenje, sprejemanje odločitev, tveganja, uporabnost napovednih modelov, rak dojk
Objavljeno: 12.11.2020; Ogledov: 1543; Prenosov: 125
.pdf Celotno besedilo (3,83 MB)

Iskanje izvedeno v 0 sek.
Na vrh