<p>U radu su prikazani Open Geospatial Consortium (OGC) web servisi, iz aspekta serverskih i klijentskih aplikacija. Analizirani su problemi razmene prostornih podataka u složenim sistemima sa naglaskom na komunalne službe gradova. Na osnovu analize razmene podataka, predložen je model koji unapređuje komunikaciju i pospešuje napredak celokupnog sistema implementacijom distribuiranih OGC web servisa. Predloženi model distribucije prostornih podataka može se primenjivati na sve složene sisteme, ali i unutar manjih sistema kao što su kompanije koje se sastoje iz više sektora ili podsistema</p> / <p> The short review of the Open Geospatial Consortium (OGC) web services have been given in this work from the perspective of server and client applications. The problems of the exchange of spatial data in the complex systems as municipal service have been analysed. Based on analysis of data exchange, the model has been proposed to improve communication and progress of the whole system by implementing OGC web services. Described model of spatial data distribution can be applied to all complex systems, but also within smaller systems such as companies which consist of more<br /> sectors or subsystems.</p>

<p>Овом докторском дисертацијом предложен је<br />систем за састављање докумената у правосуђу<br />базиран на знању. Састављање судских писмена<br />је препознато као један од изазова с којим се<br />сусрећу правници на почетку своје каријере у чему<br />им помоћ најчешће пружају старије колеге, док је<br />правно неуким странкама у састављању<br />поднесака најчешће неопходна помоћ искусних<br />правника. За представљање знања на којем се<br />базира вештина састављања ових докумената<br />коришћена су два облика правног знања,<br />експлицитно које је садржано у правним нормама<br />и имплицитно које се стиче искуством у<br />састављању правних докумената. Предложени су<br />модели машински читљивог и разумљивог<br />формата правних норми, машински читљивог и<br />разумљивог формата докумената у правосуђу и<br />систем за састављање докумената у правосуђу.<br />Систем је погодан за коришћење у образовању<br />правника јер су кориснику објашњене везе између<br />унетих чињеница и навода у генерисаном<br />документу. Документи сачињени на овај начин су<br />машински читљиви и разумљиви чиме се<br />доприноси квалитету отворених података при<br />њиховом објављивању. У циљу повећања<br />транспарентности правосуђа предложене су и<br />смернице за превазилажење најчешћих<br />недостатака отворених судских података. Такође,<br />предложен систем представља један корак ка<br />аутоматизацији рада судске писарнице.</p> / <p>Ovom doktorskom disertacijom predložen je<br />sistem za sastavljanje dokumenata u pravosuđu<br />baziran na znanju. Sastavljanje sudskih pismena<br />je prepoznato kao jedan od izazova s kojim se<br />susreću pravnici na početku svoje karijere u čemu<br />im pomoć najčešće pružaju starije kolege, dok je<br />pravno neukim strankama u sastavljanju<br />podnesaka najčešće neophodna pomoć iskusnih<br />pravnika. Za predstavljanje znanja na kojem se<br />bazira veština sastavljanja ovih dokumenata<br />korišćena su dva oblika pravnog znanja,<br />eksplicitno koje je sadržano u pravnim normama<br />i implicitno koje se stiče iskustvom u<br />sastavljanju pravnih dokumenata. Predloženi su<br />modeli mašinski čitljivog i razumljivog<br />formata pravnih normi, mašinski čitljivog i<br />razumljivog formata dokumenata u pravosuđu i<br />sistem za sastavljanje dokumenata u pravosuđu.<br />Sistem je pogodan za korišćenje u obrazovanju<br />pravnika jer su korisniku objašnjene veze između<br />unetih činjenica i navoda u generisanom<br />dokumentu. Dokumenti sačinjeni na ovaj način su<br />mašinski čitljivi i razumljivi čime se<br />doprinosi kvalitetu otvorenih podataka pri<br />njihovom objavljivanju. U cilju povećanja<br />transparentnosti pravosuđa predložene su i<br />smernice za prevazilaženje najčešćih<br />nedostataka otvorenih sudskih podataka. Takođe,<br />predložen sistem predstavlja jedan korak ka<br />automatizaciji rada sudske pisarnice.</p> / <p>This thesis proposes a knowledge-based judicial<br />document assembly system. Document assembly is<br />recognized as one of the issues facing junior lawyers<br />at the beginning of their professional career causing<br />them to rely on their senior colleague&#39;s experience.<br />Also, filings&rsquo; preparation is a challenging task for nonlayers.<br />Therefore they usually need to hire a lawyer.<br />Knowledge required for document assembly can be<br />divided into stated knowledge found in regulations and<br />legal textbooks and tacit knowledge gained through<br />experience. This thesis introduces a machine-readable<br />and machine-understandable format of legal norms, a<br />machine-readable and machine-understandable<br />format of judicial documents, and a system for judicial<br />document assembly. The assembly system has its<br />potential in the education of law students providing<br />them explanations how fragments of generated<br />document relates to case facts. Also, this approach<br />improves quality of open judicial data and increases<br />transparency of judiciary because generated<br />documents are machine-readable and machineunderstandable<br />by default. In addition, a set of<br />guidelines for opening judicial data is proposed.<br />Finally, a machine-readable and machineunderstandable<br />format of generated documents is a<br />step toward automatic document processing at court<br />clerk&#39;s office.</p>

<p>Problem nedostajućih podataka je često prisutan prilikom razvoja<br />prediktivnih modela. Umesto uklanjanja podataka koji sadrže<br />vrednosti koje nedostaju mogu se primeniti metode za njihovu<br />imputaciju. Disertacija predlaže metodologiju za pristup analizi<br />uspešnosti imputacija prilikom razvoja prediktivnih modela. Na<br />osnovu iznete metodologije prikazuju se rezultati primene algoritama<br />mašinskog učenja, kao metoda imputacije, prilikom razvoja određenih,<br />konkretnih prediktivnih modela.</p> / <p>The problem of missing data is often present when developing predictive<br />models. Instead of removing data containing missing values, methods for<br />imputation can be applied. The dissertation proposes a methodology for<br />analysis of imputation performance in the development of predictive models.<br />Based on the proposed methodology, results of the application of machine<br />learning algorithms, as an imputation method in the development of specific<br />models, are presented.</p>

<p>Klaster analiza ima dugu istoriju i mada se<br />primenjuje u mnogim oblastima i dalje ostaju<br />značajni izazovi. U disertaciji je prikazan uvod<br />u neglatki optimizacioni pristup u<br />klasterovanju, sa osvrtom na problem<br />klasterovanja velikih skupova podataka.<br />Međutim, ovi optimizacioni algoritmi bolje<br />funkcioni&scaron;u u radu sa neprekidnim podacima.<br />Jedan od glavnih izazova u klaster analizi je<br />rad sa velikim skupovima podataka sa<br />kategorijalnim i kombinovanim (numerički i<br />kategorijalni) tipovima promenljivih. Rad sa<br />velikim brojem instanci (objekata) i velikim<br />brojem dimenzija (promenljivih), može<br />predstavljati problem u klaster analizi, zbog<br />vremenske složenosti. Jedan od načina<br />re&scaron;avanja ovog problema je redukovanje broja<br />instanci, bez gubitka informacija.<br />Prvi cilj disertacije je bio upoređivanje<br />rezultata klasterovanja na celom skupu i<br />prostim slučajnim uzorcima sa kategorijalnim i<br />kombinovanim podacima, za različite veličine<br />uzorka i različit broj klastera. Nije utvrđena<br />značajna razlika (p&gt;0.05) u rezultatima<br />klasterovanja na uzorcima obima<br />0.03m,0.05m,0.1m,0.3m (gde je m obim<br />posmatranog skupa) i celom skupu.<br />Drugi cilj disertacije je bio konstrukcija<br />efikasnog postupka klasterovanja velikih<br />skupova podataka sa kategorijalnim i<br />kombinovanim tipovima promenljivih.<br />Predloženi postupak se sastoji iz sledećih<br />koraka: 1. klasterovanje na prostim slučajnim<br />uzorcima određene kardinalnosti; 2.<br />određivanje najboljeg klasterskog re&scaron;enja na<br />uzorku, primenom odgovarajućeg kriterijuma<br />validnosti; 3. dobijeni centri klastera iz ovog<br />uzorka služe za klasterovanje ostatka skupa.<br />Treći cilj disertacije predstavlja primenu<br />klaster analize u definisanju klastera<br />bihejvioralnih faktora rizika u populaciji<br />odraslog stanovni&scaron;tva Srbije, kao i analizu<br />sociodemografskih karakteristika dobijenih<br />klastera. Klaster analiza je primenjena na<br />velikom reprezentativnom uzorku odraslog<br />stanovni&scaron;tva Srbije, starosti 20 i vi&scaron;e godina.<br />Izdvojeno je pet jasno odvojenih klastera sa<br />karakterističnim kombinacijama bihejvioralnih<br />faktora rizika: Bez rizičnih faktora, &Scaron;tetna<br />upotreba alkohola i druge rizične navike,<br />Nepravilna ishrana i druge rizične navike,<br />Nedovoljna fizička aktivnost, Pu&scaron;enje. Rezultati<br />multinomnog logističkog regresionog modela<br />ukazuju da ispitanici koji nisu u braku, lo&scaron;ijeg<br />su materijalnog stanja, nižeg obrazovanja i žive<br />u Vojvodini imaju veću &scaron;ansu za prisustvo<br />vi&scaron;estrukih bihejvioralnih faktora rizika.</p> / <p>The cluster analysis has a long history and a<br />large number of clustering techniques have<br />been developed in many areas, however,<br />significant challenges still remain. In this<br />thesis we have provided a introduction to<br />nonsmooth optimization approach to clustering<br />with reference to clustering large datasets.<br />Nevertheless, these optimization clustering<br />algorithms work much better when a dataset<br />contains only vectors with continuous features.<br />One of the main challenges is clustering of large<br />datasets with categorical and mixed (numerical<br />and categorical) data. Clustering deals with a<br />large number of instances (objects) and a large<br />number of dimensions (variables) can be<br />problematic because of time complexity. One of<br />the ways to solve this problem is by reducing<br />the number of instances, without the loss of<br />information.<br />The first aim of this thesis was to compare<br />the results of cluster algorithms on the whole<br />dataset and on simple random samples with<br />categorical and mixed data, in terms of validity,<br />for different number of clusters and for<br />different sample sizes. There were no<br />significant differences (p&gt;0.05) between the<br />obtained results on the samples of the size of<br />0.03m,0.05m,0.1m,0.3m (where m is the size of<br />the dataset) and the whole dataset.<br />The second aim of this thesis was to<br />develop an efficient clustering procedure for<br />large datasets with categorical and mixed<br />(numeric and categorical) values. The proposed<br />procedure consists of the following steps: 1.<br />clustering on simple random samples of a given<br />cardinality; 2. finding the best cluster solution<br />on a sample (by appropriate validity measure);<br />3. using cluster centers from this sample for<br />clustering of the remaining data.<br />The third aim of this thesis was to<br />examine clustering of four lifestyle risk factors<br />and to examine the variation across different<br />socio-demographic groups in a Serbian adult<br />population. Cluster analysis was carried out on<br />a large representative sample of Serbian adults<br />aged 20 and over. We identified five<br />homogenous health behaviour clusters with<br />specific combination of risk factors: &#39;No Risk<br />Behaviours&#39;, &#39;Drinkers with Risk Behaviours&#39;,<br />&#39;Unhealthy diet with Risk Behaviours&#39;,<br />&#39;Smoking&#39;. Results of multinomial logistic<br />regression indicated that single adults, less<br />educated, with low socio-economic status and<br />living in the region of Vojvodina are most likely<br />to be a part of the clusters with a high-risk<br />profile.</p>

<p>Disertacija se bavi analizom uticaja raspodela podataka na rezultate algoritama diskretizacije u okviru procesa ma&scaron;inskog učenja. Na osnovu izabranih baza i algoritama diskretizacije teorije grubih skupova i stabala odlučivanja, istražen je uticaj odnosa raspodela podataka i tačaka reza određene diskretizacije.<br />Praćena je promena konzistentnosti diskretizovane tabele u zavisnosti od položaja redukovane tačke reza na histogramu. Definisane su fiksne tačke reza u zavisnosti od segmentacije multimodal raspodele, na osnovu kojih je moguće raditi redukciju preostalih tačaka reza. Za određivanje fiksnih tačaka konstruisan je algoritam FixedPoints koji ih određuje u skladu sa grubom segmentacijom multimodal raspodele.<br />Konstruisan je algoritam aproksimativne diskretizacije APPROX MD za redukciju tačaka reza, koji koristi tačke reza dobijene algoritmom maksimalne razberivosti i parametre vezane za procenat nepreciznih pravila, ukupni procenat klasifikacije i broj tačaka redukcije. Algoritam je kompariran u odnosu na algoritam maksimalne razberivosti i u odnosu na algoritam maksimalne razberivosti sa aproksimativnim re&scaron;enjima za &alpha;=0,95.</p> / <p>This dissertation analyses the influence of data distribution on the results of discretization algorithms within the process of machine learning. Based on the chosen databases and the discretization algorithms within the rough set theory and decision trees, the influence of the data distribution-cuts relation within certain discretization has been researched.<br />Changes in consistency of a discretized table, as dependent on the position of the reduced cut on the histogram, has been monitored. Fixed cuts have been defined, as dependent on the multimodal segmentation, on basis of which it is possible to do the reduction of the remaining cuts. To determine the fixed cuts, an algorithm FixedPoints has been constructed, determining these points in accordance with the rough segmentation of multimodal distribution.<br />An algorithm for approximate discretization, APPROX MD, has been constructed for cuts reduction, using cuts obtained through the maximum discernibility (MD-Heuristic) algorithm and the parametres related to the percent of imprecise rules, the total classification percent and the number of reduction cuts. The algorithm has been compared to the MD algorithm and to the MD algorithm with approximate solutions for &alpha;=0,95.</p>

<p>Аутоматизована картографска генерализација је од великог значаја у картографији, а правих решења још увек нема. Картографска ге&shy; нерализација полигона и категоријских карата представља веома комплексан проблем, а предложена решења налазе се углавном на концептуалном нивоу. Метода представљена у овој докторској ди&shy;сертацији представља општи приступ аутоматизованој картограф&shy;ској генерализацији категоријских карата применом ГИС софтвера. Као резултат смањења размера, неки од полигона postaju исувише мали да би били приказани у циљаном размеру тако да се морају уклонити, а њихово место ће заузети нека друга појава. Највећи изазов представља смањење семантичких грешака и минимизирање промене удела класа полигона тако да карта више одговара реалности на терену. То је остварено груписањем полигона исте класе, тако што се врши њихово измештање и стапање. На овај начин,одређени број малих полигона који би били елиминисани постају полигони са довољном површином. Други начин&nbsp;&nbsp; мањења грешака је стапање полигона, који имају недовољну површину, са већим полигонима који су им тематски слични. Такође је представљена и метода за&nbsp; откривање и елиминисање уских делова полигона. Све ове методе моrу бити искоришћене за израду било које категориј&shy;ске карте (нпр. климатске, педолошке, карте употребе земљишта, земљишног покривача, геолошке карте итд.) на основу дигиталног модела предела. Посебан софтвер је развијен за измештање градив&shy;них ћелија полигона ипи прецизније њихових центара. Додатни програм је&nbsp; аправљен за решавање проблема уских коридора код полигона. Модел&nbsp;&nbsp; удруживања је направљен у QGIS-y, а модел ста&shy;пања у PostGIS-y, слободном&nbsp;&nbsp; софтверу, отвореног кода. Резултати показују да је изабрани приступ успешан.</p> / <p>Automatizovana kartografska generalizacija je od velikog značaja u kartografiji, a pravih rešenja još uvek nema. Kartografska ge&shy; neralizacija poligona i kategorijskih karata predstavlja veoma kompleksan problem, a predložena rešenja nalaze se uglavnom na konceptualnom nivou. Metoda predstavljena u ovoj doktorskoj di&shy;sertaciji predstavlja opšti pristup automatizovanoj kartograf&shy;skoj generalizaciji kategorijskih karata primenom GIS softvera. Kao rezultat smanjenja razmera, neki od poligona postaju isuviše mali da bi bili prikazani u ciljanom razmeru tako da se moraju ukloniti, a njihovo mesto će zauzeti neka druga pojava. Najveći izazov predstavlja smanjenje semantičkih grešaka i minimiziranje promene udela klasa poligona tako da karta više odgovara realnosti na terenu. To je ostvareno grupisanjem poligona iste klase, tako što se vrši njihovo izmeštanje i stapanje. Na ovaj način,određeni broj malih poligona koji bi bili eliminisani postaju poligoni sa dovoljnom površinom. Drugi način&nbsp;&nbsp; manjenja grešaka je stapanje poligona, koji imaju nedovoljnu površinu, sa većim poligonima koji su im tematski slični. Takođe je predstavljena i metoda za&nbsp; otkrivanje i eliminisanje uskih delova poligona. Sve ove metode moru biti iskorišćene za izradu bilo koje kategorij&shy;ske karte (npr. klimatske, pedološke, karte upotrebe zemljišta, zemljišnog pokrivača, geološke karte itd.) na osnovu digitalnog modela predela. Poseban softver je razvijen za izmeštanje gradiv&shy;nih ćelija poligona ipi preciznije njihovih centara. Dodatni program je&nbsp; apravljen za rešavanje problema uskih koridora kod poligona. Model&nbsp;&nbsp; udruživanja je napravljen u QGIS-y, a model sta&shy;panja u PostGIS-y, slobodnom&nbsp;&nbsp; softveru, otvorenog koda. Rezultati pokazuju da je izabrani pristup uspešan.</p> / <p>Automated cartographic geпeralizatioп is of great importaпce iп cartography апd real solutioпs are still lackiпg. Cartographic geп&shy;eralizatioп of polygoпs апd categorical maps is а high complexity problem апd solutioпs for it аге maiпly proposed оп а coпceptual level. The method iпtroduced iп this PhD thesis preseпts а geпeral approach to automated cartographic geпeralizatioп of categorical maps usiпg GIS software. As а coпsequeпce of scale reductioп some of the polygoпs аге becomiпg too small for the target scale апd must bе removed, so the other feature takes its place оп the map. The biggest challeпge was to Lesseп semaпtic errors апd miп&shy; imize the chaпge of share of feature classes so the map better correspoпds to the reality оп the grouпd. This is achieved bу group-iпg polygoпs of the same class bу displaciпg апd mergiпg them. lп this way the пumber of small polygoпs which should bе elimiпated become опеs with sufficieпt агеа. The other way of lesseпiпg errors are mergiпg polygoпs with iпsufficieпt area with а larger adjaceпt objects that&nbsp; is thematically similar. The method for detectiпg апd elimiпatiпg пarrow sectioпs of polygoпs are also proposed.All those methods could bе used for deriviпg апу categorical map (e.g. climate, soil, laпd use, laпd cover, geological map etc.) from digital laпdscape model. Specific software is developed for displaciпg polygoпs structural cells or more precisely their ceпters. The other software is made for dealiпg with polygoп пarrow sectioпs. The aggregatioп model is desigпed iп QGIS апd the mergiпg model is desigпed iп PostGIS, both free апd ореп source software. The results show that the choseп approach is successful.</p>