|
|
|
|
| LEADER |
02843na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2018 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid5634
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Begušić, Domagoj
|
| 245 |
1 |
0 |
|a Automatska detekcija nastavnih koncepata iz tekstova zadataka uporabom metoda dubinske analize teksta :
|b završni rad /
|c Domagoj Begušić ; [mentor Damir Pintar].
|
| 246 |
1 |
|
|a Automatic discovery of conceptual concepts from test questions using the method of deep text analysis
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b D. Begušić,
|c 2018.
|
| 300 |
|
|
|a 28 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b preddiplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Programsko inženjerstvo i informacijski sustavi, šifra smjera: 39, datum predaje: 2018-06-15, datum završetka: 2018-07-13
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Sustavi za digitalno učenje generiraju ogromne količine podataka iz kojih se dubinskom analizom mogu izvući informacije koje nisu dostupne jednostavnim pretraživanjem. Primjenom programskog okruženja Python razvijen je sustav za automatsku klasifikaciju zadataka predmeta Osnove elektrotehnike Fakulteta elektrotehnike i računarstva u Zagrebu po prethodno dodijeljenim glavnim i sporednim konceptima. Objašnjene su korištene metode predobrade i vektorizacije zadataka. Klasifikacija je izvedena po glavnim i sporednim konceptima odvojeno, združenim glavnim i sporednim konceptima i hijerarhijski. Izgrađeno je pet različitih klasifikatora te su komentirani dobiveni rezultati za svaki slučaj klasifikacije.
|
| 520 |
3 |
|
|a Sažetak na engleskom: Digital learning systems generate huge amounts of data from which information that is not accessible by simple search can be collected by applying data mining methods. Using the Python program environment, an automated classification system for the exam questions of Electrical Engineering course at the Faculty of Electrical Engineering and Computing in Zagreb was developed over previously assigned primary and secondary concepts. Used pre-processing and vectorization methods are explained. Classification is performed by primary and secondary concepts separately, joined primary and secondary concepts, and hierarchically. Five different classifiers were constructed and the results for each case were commented.
|
| 653 |
|
1 |
|a e-learning
|a edm
|a obrada prirodnog jezika
|a bag of words
|a klasifikacija
|a naivni bayesov klasifikator
|a algoritam najbližih susjeda
|a stroj potpornih vektora
|a stablo odluke
|a slučajna šuma
|
| 653 |
|
1 |
|a e-learning
|a edm
|a natural language processing
|a bag of words
|a classification
|a naive bayes classifier
|a nearest neighbors algorithm
|a support vector machine
|a decision tree
|a random forest
|
| 700 |
1 |
|
|a Pintar, Damir
|4 ths
|
| 942 |
|
|
|c Z
|
| 999 |
|
|
|c 48125
|d 48125
|