Analiza metoda genetskog algoritma u izvođenju formule funkcije sa zadatog grafika
Dušan Korizma (2004), Beograd, 3. razred, Matematička gimnazija, Beograd
Mentori:
Bebić Nikola, softverski inženjer u Oracle Srbija i Crna Gora
Ekres Anja, student, FTN Novi Sad
U ovom radu su istraženi metodi genetskog algoritma na problemu izvođenja formule funkcije pomoću grafika. Cilj algoritma je da se funkcija poklapa sa grafikom van dela grafika koji je dat. Gledana je uspešnost algoritma uz date mutacije, ukrštanje i fitnes funkcije. Algoritam određuje formule prostih funkcija, koje su predstavljene stablom dubine 2 ili manje, sa minimalnim greškama na tačkama van zadatog dela grafika. Malo je manje uspešan na komplikovanijim funkcijama, koje su predstavljene stablom dubine 3 ili više, gde se dešava da ne uspeva da dovoljno približi funkciju zadatom grafiku. Ovakvi rezultati su posledica previše blagih mutacija ili zbog manjak resursa da se izvrši algoritam sa velikim brojem jedinki. Zaključak jeste da algoritam odlično izvodi funkcije malih dubina dok dolazi do komplikacija na malo dubljim funkcijama.
Generisanje neograničeno dugih klavirskih melodija različitih žanrova upotrebom kreiranih stohastičnih algoritama
Maja Milović (2005), Subotica, 2. razred, Gimnazija ,,Svetozar Marković” Subotica
Mentori:
Nožinić Stefan, softverski inženjer u Nutanix Serbia
Kušlaković Nikola, student, FTN, Novi Sad
U radu je predstavljen proces kreiranja modela za računarsko generisanje neograničeno duge klavirske melodije. Princip rada modela zasniva se na nasumičnom biranju tona koji se naredni reprodukuju na osnovu skupa koji sadrži sve dostupne tonove. Na taj način, melodija je uvek različita. Računar dostupne tonove određuje pomoću teorije muzike. Reprodukovani klavirski ton ima podršku akorda koji se u određenoj formi takođe reprodukuje u pozadini. Na osnovu rezultata dobijenih popunjavanjem upitnika od strane 108 ispitanika pokazano je da je kvalitet generisanih melodija bio zadovoljavajuć. Razlike između ljudski komponovanih i računarski generisanih muzičkih melodija su primetne, mada ne i velike u odnosu na ukupni opseg skala u pitanju. Ocene generisanih melodija su, na skali od 1 do 10, imale ocenu 7,2, dok su ljudski komponovane melodije imale ocenu ocenu 7,9. Takođe, F-mera, metrika koju određuju osetljivost i preciznost, za razlikovanje sintetisanih od nesintetisanih melodija iznosi 0,71. Posebna skala za F-meru ukazuje na to da su ispitanici umereno dobro prepoznali generisane melodije.
Korišćenje LSTM neuronske mreže za prepoznavanje varanja prilikom ciljanja u video igri CS:GO
Miša Stefanović (2003), Majdanpek, 4. razred, Tehnička škola Majdanpek
Mentori:
Jovanović Nikola, softverski inženjer u Ydrive Serbia
Ćirić Pavle, student, MATF Beograd
U ovom radu je ispitana pouzdanost LSTM neuronske mreže za prepoznavanje varanja prilikom ciljanja u video igri CS:GO. Za prepoznavanje su korišćeni podaci o položaju igračeve kamere, položajima za koje igrač treba da pomeri kameru da bi naciljao protivnika. kao i da li igrač trenutno gađa. Skup podataka se sastojao od 50000 uzoraka poštenih igrača i 50000 igrača koji varaju. Tokom rada su rađeni razni eksperimenti gde su isprobavane razne arhitekture mreže, kao i razne metode obrade dataseta. Najbolji model je koristio 200 neurona, nije imao nikakve naknadne obrade dataseta i imao je preciznost od 82.26% i F1 score od 46%. Ovakav sistem bi mogao da se upotrebi za grubu detekciju varanja, nakon čega bi čovek doneo konačnu odluku.
Poređenje tačnosti metoda random forest i hibridne neuronske mreže na klasifikaciju teksta u tipove ličnosti po Keirsey modelu
Marko Milenković (2004), Subotica, 3. razred, Gimazija “Svetozar Marković”, Subotica
Mentori:
Jovanović Nikola, softverski inženjer u Ydrive Serbia
Lunić Vladimir, softverski inženjer u Continental Automotive Serbia
Na (MBTI) Myers-Briggs Personality Type Dataset setu podataka odrađen je preprocessing sa spaCy bibliotekom nakon čega su podaci klasifikovani korišćenjem random forest metode i hibridnog modela neuronskih mreža (CNN+LSTM). Pre treniranja hibridnog modela je odrađen word embedding unapred istreniranim tok2vec alatom koji pruža spaCy. Zbog poređenja je takođe kao referentni model uzet hibridni model koji nije koristio spaCy word embedding nego tensorflow word embedding layer. Random forest model je imao najveći prosečan f1-score 70% sa 10000 stabla, a najmanji prosečan f1-score 57% sa 100 stabla. Hibridni model sa spaCy word embeddingom je imao najveći prosečan f1-score 65%, a referentni model je imao maksimalni prosečan f1-score 75%. U radu se pokazalo da je hibridni model precizniji kao i da unapred istreniran spaCy word embedding nije adekvatan za primenu na objave koje sadrže puno internet žargona.
