20.500.12556/RUL-170337 Razvoj dinamičnega programa za gručenje podatkov in detekcijo anomalij z knjižnico ML.NET in storitvijo Azure OpenAI Development of a dynamic program for data clustering and anomaly detection using the ML.NET library and the Azure OpenAI service Razvoj umetne inteligence in strojnega učenja je bistveno poenostavil analizo podatkov. Ob sočasnem eksponentnem porastu količine podatkov v podjetjih se pojavlja potreba po avtomatiziranih rešitvah, ki lahko nadomestijo ročno analizo. V okviru te diplomske naloge je bil razvit dinamičen sistem za gručenje podatkov in detekcijo anomalij, ki temelji na algoritmu razvrščanja z voditelji (angl. \textit{K-Means}) ter knjižnici ML.NET. Sistem omogoča avtomatsko pripravo podatkov, normalizacijo z različnimi pristopi (npr. min-max normalizacija in robustno skaliranje), iskanje optimalnega števila gruč z metodo komolca in silhuetno metodo ter zaznavanje odstopanj z metodo PCA. V sklepni fazi so bili rezultati interpretirani s pomočjo velikega jezikovnega modela GPT-4o preko platforme Azure OpenAI, kar omogoča boljše razumevanje vzorcev v podatkih. Rešitev je bila preizkušena na realnih anonimiziranih podatkih farmacevtskega podjetja. The development of artificial intelligence and machine learning has significantly simplified data analysis. As data volumes in companies continue to grow, the need for automated systems capable of handling complex analysis without human intervention becomes increasingly important. This thesis presents the development of a dynamic system for data segmentation and anomaly detection based on the K-Means algorithm and the ML.NET framework. The system automatically prepares and normalizes data using methods such as Min-Max normalization and Robust Scaling, determines the optimal number of clusters using the Elbow and Silhouette methods, and detects anomalies through Principal Component Analysis (PCA). In the final stage, the results are interpreted using a large language model (GPT-4o) via the Azure OpenAI platform, providing deeper insights into detected patterns. The solution was tested on real but anonymised data from a pharmaceutical company, demonstrating its practical applicability in real-world environments. umetna inteligenca gručenje razvrščanje z voditelji Azure OpenAI artificial intelligence segmentation K-means Azure OpenAI true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2025-07-03 16:20:35 2025-07-03 16:20:37 2025-07-04 09:22:46 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38131 241388035 Temelkovski_Bodan_-_Razvoj_dinamicnega_programa_za_grucenje_podatkov_in_detekcijo_anomalij_z_knj.pdf Temelkovski_Bodan_-_Razvoj_dinamicnega_programa_za_grucenje_podatkov_in_detekcijo_anomalij_z_knj.pdf 1 C6B28685AAEFFCE042D402F73605B671 275d849336777b94943ebb3abe2f561f8fc1bd010c866d2a779c3ed09f16cf76 fd298ff1-5816-11f0-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=212331 Fakulteta za računalništvo in informatiko 0 0 0