https://repin.pjwstk.edu.pl/xmlui/handle/186319/2512 2026-04-09T11:13:17Z https://repin.pjwstk.edu.pl/xmlui/handle/186319/2709 Wdrażanie i utrzymanie modeli uczenia maszynowego w oparciu o metodykę MLOps Dzięcioł, Filip 2023-05-23T00:00:00Z https://repin.pjwstk.edu.pl/xmlui/handle/186319/2708 Tworzenie obrazów abstrakcyjnych z użyciem Generatywnej Sieci Przeciwstawnej Ołdakowski, Maciej Wpracy przedstawiono propozycję wykorzystania Generatywnej Sieci Przeciwstawnej (GAN) w tworzeniu obrazów abstrakcyjnych. W pracy oparto się na dostępnych badaniach i artykułach naukowych na temat Generatywnych Sieci Przeciwstawnych. Przedstawiona metoda polega na użyciu dwóch rywalizujących sieci neuronowych: generatora i dyskryminatora. Zadaniem generatora jest stworzenie obrazów, jak najbardziej zbliżonych wyglądem do rzeczywistych obrazów w zbiorze treningowym, natomiast dyskryminator porównuje dane i ocenia, które z nich są prawdziwe, a które fałszywe (wygenerowane). Podczas tworzenia sieci zostały wykorzystane między innymi warstwy konwolucyjne, normalizujące oraz funkcje aktywacji ReLu i Tanh w celu poprawienia jakości generowanych obrazów. Model trenowano za pomocą dwóch zbiorów obrazów abstrakcyjnych: Delaunay oraz obrazów abstrakcyjnych ze zbioru WikiArt (Udoskonalony). Jakość obrazów była oceniana za pomocą funkcji straty, dokładności predykcji oraz wizualnej reprezentacji modelu. W procesie został wykorzystany język Python oraz biblioteki: NumPy, PIL, Keras oraz Matplotlib. Wyniki pracy pokazują zalety i wady korzystania z struktury GAN w procesie generowania obrazów abstrakcyjnych. 2023-05-23T00:00:00Z https://repin.pjwstk.edu.pl/xmlui/handle/186319/2533 Wykorzystanie uczenia maszynowego do przewidywania wydajności reakcji metatezy krzyżowej Szymkuć, Sara Reakcja metatezy jest jedną z najważniejszych reakcji w chemii organicznej, jednakże jej potencjał nie jest w pełni wykorzystywany ze względu na nieprzewidywalne wyniki międzycząsteczkowego wariantu tej transformacji chemicznej. Opracowanie modelu uczenia maszynowego umożliwiającego predykcję wydajności produktów metatezy krzyżowej pozwoliłoby na lepsze wykorzystanie możliwości tej reakcji. W pracy porównano trzy rodzaje wektoryzacji reakcji chemicznych oparte o różne paradygmaty i) właściwości elektronowe i rozmiar przestrzenny ii) topologię iii) przetwarzanie języka naturalnego. Do zagadnienia predykcji wydajności zastosowano nadzorowane metody uczenia maszynowego. Modele wytrenowano na podstawie 2407 reakcji pochodzących z publikacji chemicznych. Najlepiej działające modele wykorzystywały wektoryzację wykorzystującą topologiczne sygnatury molekularne typu Morgana oraz algorytmy typu las losowy oraz GradientBoosting. Mimo, że nawet najlepsze modele charakteryzowały się przeciętną mocą predykcyjną (R2 ≈0.4 i MAE ≈12%) to błąd ona poziomie 12% pozwala na odróżnienie reakcji wysokowydajnych od niskowydajnych, wskazując na potencjalne trudności w projektowanym planie syntetycznym. 2023-02-23T00:00:00Z https://repin.pjwstk.edu.pl/xmlui/handle/186319/2532 Clustering and summarization of news articles Darnowski, Mateusz The proposed solution often fails to identify specific important events effectively; however, the model accurately describes the internal debate conducted in the managed articles set. Newspapers contain arguments, support contracting philosophies. The model-generated summaries cite and copy common perspectives disseminated in documents. The universality of quoted opinions could be only evaluated by extending the processed dataset, adding rec-ords from more diverse data sources. Model behaves correctly when reviewing a small set of related papers and identifies unique sub-topics appearing in a dataset. Topic-summaries distinguishably differ in content and contexts, even if the topics discovered by the model share similar key-words. Increasing the number of articles to be summarized results in creation of more diverse topics; nevertheless, discovered summaries include more quotes and opinions. Complex and lengthy sentences heavily influence the results of similarity measurements and document sorting. Model favors long sentences with varied vocabulary that could be easily linked to numerus discussions, which can hurt the positioning of short, condensed sentences that should be valued in a summary. Sentiment analysis study and reconsidering the assumptions of the model could help in pro-ducing more condensed and less opinion-focused summaries. However, the presented solu-tion successfully captures and outlines the background of conversations conducted in ana-lyzed reports, introduces arguments that could be omitted by excluding long sentences and opinions from processing and summarizations. The model provides coherent and compelling topics and offers interpretations relevant to the public discourse. The usage of Gibbs sampling effectively improves the accuracy of LDA topic-clusters labelings. Proposed paragraphs extraction method successfully removes noise and simplifies topic modeling assignments. Proposed in 6.3.4. Ranking paragraphs on a top-ic approach outperforms Text Rank considerably when handling a paragraphs set; sentences added to summaries are more coherently linked and describe the issues identified in corpus more clearly. The in-depth study and reuse of LDA likelihood estimates provides convincing overviews of the discussions initiated in the analyzed datasets. 2023-02-23T00:00:00Z