<?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://repozitorij.uni-lj.si/IzpisGradiva.php?id=85521"><dc:title>Učenje iz besedilnih podatkovnih tokov za zaznavanje neželene elektronske pošte</dc:title><dc:creator>PORENTA,	JERNEJ	(Avtor)
	</dc:creator><dc:creator>Bosnić,	Zoran	(Mentor)
	</dc:creator><dc:creator>Ciglarič,	Mojca	(Komentor)
	</dc:creator><dc:subject>elektronska pošta</dc:subject><dc:subject>strojno učenje</dc:subject><dc:subject>analiza podatkovnih tokov</dc:subject><dc:description>V magistrski nalogi je predstavljena metoda uvrščanja sporočil v kategoriji neželenih oziroma želenih elektronskih sporočil s prevedbo problema v inkrementalno učenje iz časovnih vrst. Razširjeni sistemi za uvrščanje neželene elektronske pošte uporabljajo predvsem metode paketnega učenja (naivni Bayesov klasifikator), medtem ko je v magistrski nalogi predstavljeno uvrščanje z uporabo metod analize tokov.
Za učenje smo tako izbrali atribute, ki ne vsebujejo osebnih podatkov in za katere ni treba pridobiti privoljenja pošiljatelja oziroma prejemnika (atributi, sestavljeni iz ovojnice elektronske pošte). S pomočjo algoritmov za učenje iz podatkovnih tokov (VFDT, cVFDT) smo zaporedje elektronskih sporočil obravnavali kot besedilni tok podatkov. Rezultate smo primerjali s tradicionalnimi metodami označevanja neželene elektronske pošte in ugotovili, da metode inkrementalnega učenja iz podatkovnih tokov na primeru problemske domene uvrščanja neželene elektronske pošte dosegajo manjšo klasifikacijsko točnost in so zato manj primerne za uporabo.</dc:description><dc:date>2016</dc:date><dc:date>2016-09-15 20:25:07</dc:date><dc:type>Magistrsko delo</dc:type><dc:identifier>85521</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>