20.500.12556/DKUM-88365 Metode za ustvarjanje sintetičnih podatkov športnih aktivnosti magistrsko delo Methods for generating synthetic sports activity data S pojavom vseprisotnih naprav vsak njihov uporabnik ustvarja podatke fizičnih aktivnosti, ne glede na to, ali se tega zaveda. Raziskovanje na področju športa, ki predstavlja družbo in kulturo, je oteženo, saj je dostop do teh podatkov omejen. Za namene strojnega učenja in umetne inteligence se je potreba po velikih količinah podatkov povečala na vseh področjih, kar vodi v generiranje sintetičnih podatkov. To so podatki, ki imajo korelacije, vzorce in statistične značilnosti resničnih podatkov, vendar so nastali s tehnikami vzorčenja ali simuliranja naravnega okolja. Z njimi razširimo izvorno učno množico za strojno učenje in se izognemo ogrožanju varnosti posameznikov. Smemo jih prosto objaviti, saj ne vsebujejo resničnih osebnih podatkov. Njihova struktura je določena, možnosti za napake je manj. Pomembno je, da nastale podatke kvalitetno ocenimo in se pred njihovo uporabo prepričamo, da so primerljivi resničnim. Kot rezultat eksperimentalnega dela je nastala programska knjižnica SportyDataGen, zmožna generiranja sintetičnih podatkov in njihovega ocenjevanja s statističnimi metrikami. With the emergence of ubiquitous devices, every user generates data of physical activity, whether they are aware of it or not. Research in the field of sport, representing society and culture, is hindered by the limited access to this data. For machine learning and artificial intelligence purposes, the demand for large amounts of data has increased across all fields, leading to the generation of synthetic data. These are datasets that possess correlations, patterns and statistical characteristics of real data but are produced by sampling techniques or by simulating the natural environment. They are used to expand the original training set for machine learning while avoiding the compromise of individual security. These datasets can be freely published as they do not contain actual personal data. Their structure is well-defined reducing the possibilities for errors. It is important to assess the quality of the resulting data and ensure their comparability to real data before their use. As a result of experimental work, the software library SportyDataGen has been developed, capable of generating synthetic data and evaluating it with statistical metrics. DKW neenakost generiranje podatkov večrazsežni test KS sintetični podatki SportyDataGen športne aktivnosti zbirne metrike DKW inequality data generation multivariate KS test synthetic data SportyDataGen sports activities summary metrics true true false [R. Kukovec] Slovenski jezik Angleški jezik Magistrsko delo/naloga 2024-04-18 18:05:27 2024-05-22 12:34:50 2024-07-24 04:38:59 0000-00-00 00:00:00 2024 0 Maribor 0 Maribor 1 spletni vir (1 datoteka PDF (XVII, 82 f.)) 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.652.6(043.2) 202502915 MAG_Kukovec_Rok_2024.pdf MAG_Kukovec_Rok_2024.pdf 1 9EDA544B23D06656750D5577A9304F00 6efc695fbed2eb26b4612cf3d87e700bcd91627557c61d716b2c1f3f726f99ca 22a70ce2-0485-11ef-9b1b-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=178941 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0