Iskanje po repozitoriju

A+ | A- | | SLO | ENG

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: 489; Prenosov: 10
Celotno besedilo (3,30 MB)

Opis: Namen: Namen doktorske disertacije je raziskati, ali je možna izdelava modela za urejanje in popisovanje nestrukturiranih besedil z uporabo strojnega učenja. Pri izdelavi modela je bila raziskava razdeljena na tri ključne segmente in povezana raziskovalna vprašanja, in sicer, ali je izdelava modela za samostojno klasifikacijo nestrukturiranih vsebin, samostojno prepoznavo imenskih entitet in samostojno izdelavo naslova popisne enote izvedljiva in uporabna. Metodologija: V raziskavi sta uporabljeni metoda analize vsebine in metoda eksperimenta. Raziskani so bili različni pristopi za izdelavo izvedbenega modela za urejanje in popisovanje nestrukturiranih besedil, ravno tako je bilo raziskana uporabnost izdelanega modela in učinkovitost izdelave popisne enote z uporabo izdelanega modela. Rezultati: Ugotovljeni rezultati raziskav kažejo, da je izdelava modela za urejanje in popisovanje nestrukturiranih besedil z uporabo strojnega učenja za vse tri segmente izvedljiva in uporabna, izdelani model pa predstavlja celoten formalni in aplikativni okvir za obdelavo nestrukturiranih besedil, ki se ga lahko neposredno uporabi za obdelavo nestrukturiranih podatkov. Izvirnost/uporabnost: Raziskava omogoča natančen vpogled v izdelavo modela za urejanje in popisovanje nestrukturiranih besedil ter izpostavlja prednosti in obliko uporabe izdelanega modela. Hkrati izdelani model in spremna dokumentiranost izdelave modela predstavljata podlago za uporabo modela v praksi in potencialno podlago za nadaljnje raziskave.
Ključne besede: urejanje in popisovanje, strojno učenje, imenske entitete, nestrukturirano besedilo, klasifikacija
Objavljeno v ReVIS: 09.12.2024; Ogledov: 458; Prenosov: 16
Celotno besedilo (9,59 MB)

Opis: 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.
Ključne besede: strojno učenje, nevronske mreže, naključni gozd, naivni Bayes, algoritem ReliefF, odločitveni modeli, Orange
Objavljeno v ReVIS: 06.12.2023; Ogledov: 1657; Prenosov: 55
Celotno besedilo (3,71 MB)

Ključne besede: železniški promet, strojno učenje, zamude, zniževanje stroškov, magistrsko delo
Objavljeno v ReVIS: 22.09.2023; Ogledov: 1904; Prenosov: 39
Celotno besedilo (2,35 MB)

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.
Ključne besede: podatkovno rudarjenje, strojno učenje, Poincaréjeva metrika, WEKA, k najbližjih sosedov, segmentacija
Objavljeno v ReVIS: 30.11.2018; Ogledov: 5858; Prenosov: 159
Celotno besedilo (1,07 MB)