prikaz prve stranice dokumenta Prepoznavanje uzoraka pomoću neuronskih mreža
  Download
PDF 1.37 MB
master's thesis
Prepoznavanje uzoraka pomoću neuronskih mreža
Zagreb: University of Zagreb, Faculty of Science, 2020. urn:nbn:hr:217:771401
Gračan, Ela
University of Zagreb
Faculty of Science
Department of Mathematics

Institutional repository: Repository of the Faculty of Science

Cite this document

Gračan, E. (2020). Prepoznavanje uzoraka pomoću neuronskih mreža (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:771401

Gračan, Ela. "Prepoznavanje uzoraka pomoću neuronskih mreža." Master's thesis, University of Zagreb, Faculty of Science, 2020. https://urn.nsk.hr/urn:nbn:hr:217:771401

Gračan, Ela. "Prepoznavanje uzoraka pomoću neuronskih mreža." Master's thesis, University of Zagreb, Faculty of Science, 2020. https://urn.nsk.hr/urn:nbn:hr:217:771401

Gračan, E. (2020). 'Prepoznavanje uzoraka pomoću neuronskih mreža', Master's thesis, University of Zagreb, Faculty of Science, accessed 26 December 2024, https://urn.nsk.hr/urn:nbn:hr:217:771401

Gračan E. Prepoznavanje uzoraka pomoću neuronskih mreža [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2020 [cited 2024 December 26] Available at: https://urn.nsk.hr/urn:nbn:hr:217:771401

E. Gračan, "Prepoznavanje uzoraka pomoću neuronskih mreža", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:217:771401

Metadata
TitlePrepoznavanje uzoraka pomoću neuronskih mreža
AuthorEla Gračan
MentorNela Bosner (mentor)
Committee memberNela Bosner (predsjednik povjerenstva)
Committee memberMaja Resman (član povjerenstva)
Committee memberRudi Mrazović (član povjerenstva)
Committee memberSiniša Slijepčević (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Mathematics)
Zagreb
Defense date and country2020-02-27, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Mathematics
Abstract
Ovaj diplomski rad pruža pregled osnovnih pojmova o području strojnog učenja koje nazivamo duboko učenje, odnosno o umjetnim neuronskim mrežama i njihovoj konstrukciji. U prvom dijelu objašnjavaju se glavne ideje vezane uz umjetne neuronske mreže kao što su težine i pragovi te navode neki od istaknutijih primjera iz primjene. Drugi dio sadržava detaljan opis građe umjetnog neurona, odnosno način izračuna izlaznih podataka pojedinog neurona. Navedene su neke od često korištenih funkcija prijelaza u neuronu i njihova svojstva. U istom se djelu nalazi detaljan opis i matematička interpretacija povezivanja neurona u slojeve. Također, spominju se najvažnija svojstva konvolucijskog sloja koji je važan za obradu slika i zvuka. Treći dio usredotočen je na metode popravljanja performansi mreže, odnosno učenje. Navodimo funkcije koje se koriste za mjerenje učinka mreže. Zatim promatramo metodu gradijentnog sputa, kao i druge metode nastale u nastojanju poboljšanja gradijentnog spusta. Detaljno raspisujemo algoritam unazadne propagacije koju služi bržem izračunu gradijenta u višeslojnim neuronskim mrežama. Konačno, u zadnjem dijelu opisujemo implementaciju mrežne stranice te komentiramo rezultate jedne neuronske mreže kreirane putem te stranice.
Abstract (english)
This thesis gives an overview of artificial neural networks and their construction. The first chapter explains the basic concepts concerning neural networks such as weights and biases, and mentions some interesting applications. The second chapter contains a detailed description of the artificial neuron structure and explains calculation of output values performed by a single neuron. This chapter also lists the transfer functions used in neurons, as well as describes the way neurons are connected into layers, and gives a mathematical interpretation of this concept. Finally, it explains the basic principles of convolutional neural networks which are important in the fields of image or sound processing. In the third chapter the focus is on learning methods for neural networks. Firstly, we introduce the two most important loss functions used for measuring the success of a neural network. Then we explain the basic method behind minimizing the loss function - gradient descent, and mention some of the most successful optimization algorithms based on gradient descent. The fourth and final chapter describes implementation of an interactive website that uses the TensorflowJS library for creating different convolutional network models.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:217:771401
Study programmeTitle: Computer Science and Mathematics
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra računarstva i matematike (magistar/magistra računarstva i matematike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2020-07-23 10:16:38