prikaz prve stranice dokumenta Dubinsko učenje s primjenom u klasifikaciji uzoraka
  Preuzmi
PDF 157.42 KB
završni rad
Dubinsko učenje s primjenom u klasifikaciji uzoraka
2015. urn:nbn:hr:200:081141
Bakula, Bruno
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Zavod za programsko inženjerstvo
Katedra za programske jezike i sustave

Citirajte ovaj rad

Bakula, B. (2015). Dubinsko učenje s primjenom u klasifikaciji uzoraka (Završni rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:200:081141

Bakula, Bruno. "Dubinsko učenje s primjenom u klasifikaciji uzoraka." Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2015. https://urn.nsk.hr/urn:nbn:hr:200:081141

Bakula, Bruno. "Dubinsko učenje s primjenom u klasifikaciji uzoraka." Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2015. https://urn.nsk.hr/urn:nbn:hr:200:081141

Bakula, B. (2015). 'Dubinsko učenje s primjenom u klasifikaciji uzoraka', Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, citirano: 31.12.2024., https://urn.nsk.hr/urn:nbn:hr:200:081141

Bakula B. Dubinsko učenje s primjenom u klasifikaciji uzoraka [Završni rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek; 2015 [pristupljeno 31.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:081141

B. Bakula, "Dubinsko učenje s primjenom u klasifikaciji uzoraka", Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, Osijek, 2015. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:081141

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:200:081141
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovDubinsko učenje s primjenom u klasifikaciji uzoraka
Naslov (engleski)Deep Learning with application in pattern classification
AutorBruno Bakula
MentorGoran Martinović (mentor)
MentorBruno Zorić (mentor)
Član povjerenstvaGoran Martinović (član povjerenstva)
Član povjerenstvaHrvoje Glavaš (član povjerenstva)
Član povjerenstvaKrešimir Nenadić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
(Zavod za programsko inženjerstvo)
(Katedra za programske jezike i sustave)
Osijek
Datum i država obrane2015-07-09, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Programsko inženjerstvo
Sažetak
U ovome radu objašnjen je koncept dubinskog učenja, kao naprednog postupka učenja različitih razina značajki podataka. Arhitektura dubinskih neuronskih mreža mnogo je složenija od arhitekture standardnih mreža, te sadrži minimalno dva skrivena sloja. Tri glavne arhitekture dubinskih mreža su naslagani autoenkoderi, deep belief networks i konvolucijske mreže. Naslagani autoenkoderi grade se od prethodno treniranih, običnih autoenkodera. Nakon postupka predtreniranja, cijela mreža se fino podešava čime je postupak treniranja završen. Traje višestruko duže u odnosu na treniranje standardnih mreže. Na provedenim eksperimentima ostvaren je značajan napredak u točnosti klasifikacije korištenjem naslaganih autoenkodera, u odnosu na standardne neuronske mreže. Potrebno je eksperimentirati sa različitim dimenzijama skrivenih slojeva, kako bi se pronašle optimalne postavke rada dubinskih mreža, za određeni skup podataka. Ključne riječi: autoenkoder, dubinsko učenje, naslagani autoenkoderi, neuronske mreže, pohlepno treniranje po slojevima
Sažetak (engleski)
n this paper, the concept of deep learning as an advanced method for learning different levels of data features, was explained. Deep neural networks architecture is far more complex compared to standard network architectures, and it consists of minimum two hidden layers. Three main deep network architectures are stacked autoencoders, deep belief networks and convolutional networks. Stacked autoencoders are composed of normal autoencoders that were previously trained. After the pretraining step, the whole network is fine tuned, which finishes the training process. The training process duration is multiplied, regarding to standard networks training. A significant improvement in clasiffication accuracy was made in experiments using stacked autoencoders, in contrary to standard neural networks. Experimenting with different dimension of hidden layers is needed to find optimal settings for running deep networks, applied on specific data set.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:200:081141
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2016-05-06 11:06:23