1,720,958 research outputs found
Primjena tehnika konvolucijskih neuronskih mreža u klasifikaciji i treniranju algoritama strojnog učenja za automatsko označavanje i generiranje slika
No full textUmjetna inteligencija sve više postaje neizostavna u suvremenom generiranju vizualnih sadržaja. U ovom radu se istražuju ključni koncepti primjene umjetne inteligencije u procesu treniranja i testiranja algoritama strojnog učenja, prepoznavanja uzoraka slike te automatske klasifikacije i označavanje slike. Proces automatskog označavanja slika obuhvaća korištenje algoritama strojnog učenja za dodjeljivanje odgovarajućih oznaka ili klasa slikama, uključujući klasifikaciju slika prema objektima koje sadrže te detekciju objekata na slikama. Teorijski dio rada opisuje konvolucijske neuronske mreže (eng. Convolutional Neural Networks) i njihovu primjena u analizi vizualnih podataka. U praktičnom dijelu rada, koristeći besplatne web alate, kreiraju se modeli za klasifikaciju, označavanje i generiranje slika. Analizom rezultata dokazalo se da svi testirani modeli, uključujući Clarifai, IBM Maximo Visual Inspection i Roboflow model postižu visoku preciznost u klasifikaciji i označavanju objekta na slikama. Posebno se ističe važnost konvolucijskih neuronskih mreža u omogućavanju detaljne analize i prepoznavanja uzoraka, čime se postiže visoka preciznost modela. Komparativna analiza pokazala je da je IBM Maximo Visual Inspection model najpouzdaniji i najprecizniji model za profesionalnu primjenu, a Roboflow i DETER modeli istaknuli su se kao najbolji besplatni modeli klasifikaciju i označavanje objekata na slikama. Statistička analiza rezultata potvrđuje hipoteze kako algoritmi strojnog učenja postižu visoku točnost u klasifikaciji objekata, kako veći skupovi podataka poboljšavaju rezultate treniranja, te kako kvaliteta generiranih slika značajno utječe na preciznost automatskog označavanja. Ograničenja i problemi pri izradi modela uključivali su potrebu za većim bazama podataka, primjenu različitih tehnika augmentacije te potrebu za poboljšanjem kvalitete anotacija. Zaključak rada zasnovan je na rezultatima praktičnog dijela rada u kojem je dokazan utjecaj konvolucijskih neuronskih mreža u kreiranju modela za klasifikaciju i označavanje objekata na slikama. U zaključku rada nalaze se i smjernice te preporuke ,kao što je rad s više modela i većom bazom podataka, za povećanje razine preciznosti i pouzdanosti algoritama strojnog učenja modela.Artificial intelligence is becoming increasingly indispensable in modern visual content generation. This paper explores key concepts in the application of artificial intelligence for training and testing machine learning algorithms, image pattern recognition, and automatic image classification and annotation. The process of automatic image annotation involves using machine learning algorithms to assign appropriate labels or classes to images, including the classification of images based on the objects they contain and the detection of objects within the images. The theoretical part of the paper describes convolutional neural networks and their application in visual data analysis. In the practical part, models for classification, annotation, and image generation are created using free web tools. Analysis of the results demonstrated that all tested models, including Clarifai, IBM Maximo Visual Inspection, and Roboflow, achieve high accuracy in object classification and annotation in images. The importance of convolutional neural networks in enabling detailed analysis and pattern recognition, thereby achieving high model accuracy, is particularly highlighted. Comparative analysis showed that the IBM Maximo Visual Inspection model is the most reliable and accurate for professional use, while the Roboflow and DETER models stood out as the best free models for object classification and annotation in images. Statistical analysis of the results confirms the hypotheses that machine learning algorithms achieve high accuracy in object classification, that larger datasets improve training results, and that the quality of generated images significantly affects the accuracy of automatic annotation. The limitations and challenges in model development included the need for larger datasets, the application of various augmentation techniques, and the need to improve annotation quality. The conclusion of the paper is based on the results of the practical part, which demonstrated the impact of convolutional neural networks in creating models for object classification and annotation in images. The conclusion also provides guidelines and recommendations, such as working with more models and larger datasets, to increase the accuracy and reliability of machine learning model algorithms
Umjetna inteligencija u SEO optimizaciji web stranica
No full textModerne web stranice iskorištavaju pozicioniranje na web tražilicama kao tržišnu
prednost, a važnu ulogu u pretraživanju ključnih informacija predstavlja SEO
optimizacija. Svrha završnog rada je usporediti web stranice kompanija koje koriste
tradicionalnu SEO optimizaciju i SEO optimizaciju umjetne inteligencije. U teorijskom
dijelu rada opisani su SEO parametri za optimizaciju, te upotrijebljeni web alati. U prvom
dijelom eksperimentalnog rada definiran je pristup problemu, postavke istraživanja, tijek
istraživanja i problem u istraživanju. U eksperimentalnom dijelu rada potvrđena je
hipoteze o poboljšanoj kvaliteti i višem pozicioniranju web stranica kompanija sa SEO
optimizacijom umjetne inteligencije u odnosu na web stranice kompanija SEO
optimizacije bez umjetne inteligencije. Istraživanje i uspoređivanje SEO parametara 10
web stranica izvedeno je primjenom različitih besplatnih web alata za SEO mjerenje i
analizu. Rezultati dobiveni nakon mjerenja prikazuju veću aktivnost korisnika, veći broj
pregleda, veći broj ključnih riječi, veću ocjenu snažnosti domene i višu poziciju web
stranica sa SEO optimizacijom pomoću umjetne inteligencije. Analiza SEO parametara
web stranica kompanija upotrijebljena je za kreiranje kataloga procesa. Katalog procesa
omogućuje podizanje pozicije web stranica na web tražilicama. Zaključak rada zasnovan
je na rezultatima eksperimentalnog dijela rada gdje je potvrđena važnost umjetne
inteligencije u SEO optimizaciji web stranica zbog utjecaja na poziciju web stranica na
web tražilici
Umjetna inteligencija u SEO optimizaciji web stranica
No full textModerne web stranice iskorištavaju pozicioniranje na web tražilicama kao tržišnu prednost, a važnu ulogu u pretraživanju ključnih informacija predstavlja SEO optimizacija. Svrha završnog rada je usporediti web stranice kompanija koje koriste tradicionalnu SEO optimizaciju i SEO optimizaciju umjetne inteligencije. U teorijskom dijelu rada opisani su SEO parametri za optimizaciju, te upotrijebljeni web alati. U prvom dijelom eksperimentalnog rada definiran je pristup problemu, postavke istraživanja, tijek istraživanja i problem u istraživanju. U eksperimentalnom dijelu rada potvrđena je hipoteze o poboljšanoj kvaliteti i višem pozicioniranju web stranica kompanija sa SEO optimizacijom umjetne inteligencije u odnosu na web stranice kompanija SEO optimizacije bez umjetne inteligencije. Istraživanje i uspoređivanje SEO parametara 10 web stranica izvedeno je primjenom različitih besplatnih web alata za SEO mjerenje i analizu. Rezultati dobiveni nakon mjerenja prikazuju veću aktivnost korisnika, veći broj pregleda, veći broj ključnih riječi, veću ocjenu snažnosti domene i višu poziciju web stranica sa SEO optimizacijom pomoću umjetne inteligencije. Analiza SEO parametara web stranica kompanija upotrijebljena je za kreiranje kataloga procesa. Katalog procesa omogućuje podizanje pozicije web stranica na web tražilicama. Zaključak rada zasnovan je na rezultatima eksperimentalnog dijela rada gdje je potvrđena važnost umjetne inteligencije u SEO optimizaciji web stranica zbog utjecaja na poziciju web stranica na web tražilici
Umjetna inteligencija u SEO optimizaciji web stranica
No full textModerne web stranice iskorištavaju pozicioniranje na web tražilicama kao tržišnu prednost, a važnu ulogu u pretraživanju ključnih informacija predstavlja SEO optimizacija. Svrha završnog rada je usporediti web stranice kompanija koje koriste tradicionalnu SEO optimizaciju i SEO optimizaciju umjetne inteligencije. U teorijskom dijelu rada opisani su SEO parametri za optimizaciju, te upotrijebljeni web alati. U prvom dijelom eksperimentalnog rada definiran je pristup problemu, postavke istraživanja, tijek istraživanja i problem u istraživanju. U eksperimentalnom dijelu rada potvrđena je hipoteze o poboljšanoj kvaliteti i višem pozicioniranju web stranica kompanija sa SEO optimizacijom umjetne inteligencije u odnosu na web stranice kompanija SEO optimizacije bez umjetne inteligencije. Istraživanje i uspoređivanje SEO parametara 10 web stranica izvedeno je primjenom različitih besplatnih web alata za SEO mjerenje i analizu. Rezultati dobiveni nakon mjerenja prikazuju veću aktivnost korisnika, veći broj pregleda, veći broj ključnih riječi, veću ocjenu snažnosti domene i višu poziciju web stranica sa SEO optimizacijom pomoću umjetne inteligencije. Analiza SEO parametara web stranica kompanija upotrijebljena je za kreiranje kataloga procesa. Katalog procesa omogućuje podizanje pozicije web stranica na web tražilicama. Zaključak rada zasnovan je na rezultatima eksperimentalnog dijela rada gdje je potvrđena važnost umjetne inteligencije u SEO optimizaciji web stranica zbog utjecaja na poziciju web stranica na web tražilici
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Primjena tehnika konvolucijskih neuronskih mreža u klasifikaciji i treniranju algoritama strojnog učenja za automatsko označavanje i generiranje slika
No full textUmjetna inteligencija sve više postaje neizostavna u suvremenom generiranju vizualnih sadržaja. U ovom radu se istražuju ključni koncepti primjene umjetne inteligencije u procesu treniranja i testiranja algoritama strojnog učenja, prepoznavanja uzoraka slike te automatske klasifikacije i označavanje slike. Proces automatskog označavanja slika obuhvaća korištenje algoritama strojnog učenja za dodjeljivanje odgovarajućih oznaka ili klasa slikama, uključujući klasifikaciju slika prema objektima koje sadrže te detekciju objekata na slikama. Teorijski dio rada opisuje konvolucijske neuronske mreže (eng. Convolutional Neural Networks) i njihovu primjena u analizi vizualnih podataka. U praktičnom dijelu rada, koristeći besplatne web alate, kreiraju se modeli za klasifikaciju, označavanje i generiranje slika. Analizom rezultata dokazalo se da svi testirani modeli, uključujući Clarifai, IBM Maximo Visual Inspection i Roboflow model postižu visoku preciznost u klasifikaciji i označavanju objekta na slikama. Posebno se ističe važnost konvolucijskih neuronskih mreža u omogućavanju detaljne analize i prepoznavanja uzoraka, čime se postiže visoka preciznost modela. Komparativna analiza pokazala je da je IBM Maximo Visual Inspection model najpouzdaniji i najprecizniji model za profesionalnu primjenu, a Roboflow i DETER modeli istaknuli su se kao najbolji besplatni modeli klasifikaciju i označavanje objekata na slikama. Statistička analiza rezultata potvrđuje hipoteze kako algoritmi strojnog učenja postižu visoku točnost u klasifikaciji objekata, kako veći skupovi podataka poboljšavaju rezultate treniranja, te kako kvaliteta generiranih slika značajno utječe na preciznost automatskog označavanja. Ograničenja i problemi pri izradi modela uključivali su potrebu za većim bazama podataka, primjenu različitih tehnika augmentacije te potrebu za poboljšanjem kvalitete anotacija. Zaključak rada zasnovan je na rezultatima praktičnog dijela rada u kojem je dokazan utjecaj konvolucijskih neuronskih mreža u kreiranju modela za klasifikaciju i označavanje objekata na slikama. U zaključku rada nalaze se i smjernice te preporuke ,kao što je rad s više modela i većom bazom podataka, za povećanje razine preciznosti i pouzdanosti algoritama strojnog učenja modela.Artificial intelligence is becoming increasingly indispensable in modern visual content generation. This paper explores key concepts in the application of artificial intelligence for training and testing machine learning algorithms, image pattern recognition, and automatic image classification and annotation. The process of automatic image annotation involves using machine learning algorithms to assign appropriate labels or classes to images, including the classification of images based on the objects they contain and the detection of objects within the images. The theoretical part of the paper describes convolutional neural networks and their application in visual data analysis. In the practical part, models for classification, annotation, and image generation are created using free web tools. Analysis of the results demonstrated that all tested models, including Clarifai, IBM Maximo Visual Inspection, and Roboflow, achieve high accuracy in object classification and annotation in images. The importance of convolutional neural networks in enabling detailed analysis and pattern recognition, thereby achieving high model accuracy, is particularly highlighted. Comparative analysis showed that the IBM Maximo Visual Inspection model is the most reliable and accurate for professional use, while the Roboflow and DETER models stood out as the best free models for object classification and annotation in images. Statistical analysis of the results confirms the hypotheses that machine learning algorithms achieve high accuracy in object classification, that larger datasets improve training results, and that the quality of generated images significantly affects the accuracy of automatic annotation. The limitations and challenges in model development included the need for larger datasets, the application of various augmentation techniques, and the need to improve annotation quality. The conclusion of the paper is based on the results of the practical part, which demonstrated the impact of convolutional neural networks in creating models for object classification and annotation in images. The conclusion also provides guidelines and recommendations, such as working with more models and larger datasets, to increase the accuracy and reliability of machine learning model algorithms
Umjetna inteligencija u SEO optimizaciji web stranica
Full text linkModerne web stranice iskorištavaju pozicioniranje na web tražilicama kao tržišnu
prednost, a važnu ulogu u pretraživanju ključnih informacija predstavlja SEO
optimizacija. Svrha završnog rada je usporediti web stranice kompanija koje koriste
tradicionalnu SEO optimizaciju i SEO optimizaciju umjetne inteligencije. U teorijskom
dijelu rada opisani su SEO parametri za optimizaciju, te upotrijebljeni web alati. U prvom
dijelom eksperimentalnog rada definiran je pristup problemu, postavke istraživanja, tijek
istraživanja i problem u istraživanju. U eksperimentalnom dijelu rada potvrđena je
hipoteze o poboljšanoj kvaliteti i višem pozicioniranju web stranica kompanija sa SEO
optimizacijom umjetne inteligencije u odnosu na web stranice kompanija SEO
optimizacije bez umjetne inteligencije. Istraživanje i uspoređivanje SEO parametara 10
web stranica izvedeno je primjenom različitih besplatnih web alata za SEO mjerenje i
analizu. Rezultati dobiveni nakon mjerenja prikazuju veću aktivnost korisnika, veći broj
pregleda, veći broj ključnih riječi, veću ocjenu snažnosti domene i višu poziciju web
stranica sa SEO optimizacijom pomoću umjetne inteligencije. Analiza SEO parametara
web stranica kompanija upotrijebljena je za kreiranje kataloga procesa. Katalog procesa
omogućuje podizanje pozicije web stranica na web tražilicama. Zaključak rada zasnovan
je na rezultatima eksperimentalnog dijela rada gdje je potvrđena važnost umjetne
inteligencije u SEO optimizaciji web stranica zbog utjecaja na poziciju web stranica na
web tražilici
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
- …
