<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://dk.um.si/IzpisGradiva.php?id=62086"><dc:title>ANALIZA IN PRIMERJAVA PLATFORM ZA PODATKOVNO RUDARJENJE RAPIDMINER IN WEKA</dc:title><dc:creator>Miloševič,	Aleksej	(Avtor)
	</dc:creator><dc:creator>Podgorelec,	Vili	(Mentor)
	</dc:creator><dc:creator>Karakatič,	Sašo	(Komentor)
	</dc:creator><dc:subject>strojno učenje</dc:subject><dc:subject>klasifikacija</dc:subject><dc:subject>primerjava</dc:subject><dc:subject>RapidMiner</dc:subject><dc:subject>Weka</dc:subject><dc:description>V pričujočem diplomskem delu sta analizirani in primerjani splošnonamenski platformi za podatkovno rudarjenje RapidMiner in Weka. V uvodnem delu diplomskega dela so razložene osnove strojnega učenja in podatkovnega rudarjenja ter podrobneje definirane metode dela, ki so uporabljene v praktičnem delu. Primerjava je razdeljena na teoretični in eksperimentalni del. V teoretičnem delu so na podlagi definirane metodologije identificirane pomembne lastnosti orodij in primerjane med seboj, v eksperimentalnem delu pa sta primerjani točnost in F-Mera implementacij algoritmov k-najbližjih sosedov, Naključni gozdovi in Naivni Bayes. S pomočjo statističnih testov je bilo ugotovljeno, da se nobena izvedenka algoritma od drugega statistično pomembno ne razlikuje.</dc:description><dc:publisher>A. Miloševič</dc:publisher><dc:date>2016</dc:date><dc:date>2016-08-22 17:44:35</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>62086</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>