prikaz prve stranice dokumenta Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije
Access restricted to students and staff of home institution
master's thesis
Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije
Rijeka: University of Rijeka, Faculty of Engineering, 2020. urn:nbn:hr:190:217927
Peter, Franko
University of Rijeka
Faculty of Engineering
Department of Automation and Electronics
Section of Electronics, Robotics and Automation

Institutional repository: Repository of the University of Rijeka, Faculty of Engineering

Cite this document

Peter, F. (2020). Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:217927

Peter, Franko. "Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije." Master's thesis, University of Rijeka, Faculty of Engineering, 2020. https://urn.nsk.hr/urn:nbn:hr:190:217927

Peter, Franko. "Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije." Master's thesis, University of Rijeka, Faculty of Engineering, 2020. https://urn.nsk.hr/urn:nbn:hr:190:217927

Peter, F. (2020). 'Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 14 June 2024, https://urn.nsk.hr/urn:nbn:hr:190:217927

Peter F. Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2020 [cited 2024 June 14] Available at: https://urn.nsk.hr/urn:nbn:hr:190:217927

F. Peter, "Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:190:217927

Metadata
TitleKlasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije
Title (english)Classification of computer components using artificial intelligence
AuthorFranko Peter
MentorZlatan Car (mentor)
Committee memberAlfredo Višković (predsjednik povjerenstva)
Committee memberZlatan Car (član povjerenstva)
Committee memberRene Prenc (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Automation and Electronics)
(Section of Electronics, Robotics and Automation)
Rijeka
Defense date and country2020-09-22, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Electrical Engineering
Abstract
U ovome radu kreirana je i objašnjena klasifikacija računalnih komponenata primjenom umjetne inteligencije, točnije izbora tipova računalnih socket-a za pojedinu matičnu ploču. Kreiranim web scraperom prikupljeni su podatci koji su obrađeni i organizirani u skupu podataka slika korištenu pri klasifikaciji konvolucijskim neuronskim mrežama. Klasifikacija je provedena na tri različite arhitekture od koje su dvije prilagođeni modeli, a jedna je kreirana od nule. Nakon treniranja i predikcije modela dobiveni rezultati su prikazani unutar tablica prema parametrima točnosti i broju prepoznatih uzoraka, te su vizualizirani putem matrica konfuzije za svaki model, kako bi se jasnije predočila točnost za svaku klasu. Dobiveni rezultati su u rasponu točnosti od 92% do 97%. Točno prepoznati uzorci dobivaju se u rasponu od 265 uzoraka za najlošiji model, do 279 uzoraka za najbolji model. Za kraj je izrađena jednostavna Flask web aplikacija kako bi se prikazala stvarna implementacija klasifikacijskih neuronskih mreža.
Abstract (english)
In this document, the classification of computer components is created and explained using artificial intelligence, more precisely the choice of types of computer sockets for each motherboard. The created web scraper collected data that were processed and organized in a set of image data used in the classification of convolutional neural networks. The classification was conducted on three different architectures, two of which are custom models, and one was created from scratch. After training and model prediction, the obtained results are presented within the tables according to the accuracy parameters and the number of recognized samples, and visualized through confusion matrix for each model to more clearly present the accuracy for each class. The obtained results are in range of accuracy from 92% to 97%. Accurately identified samples are obtained in the range of 265 samples for the worst model, to 279 samples for the best model. In the end a simple Flask web application was created to show the actual implementation of classification neural networks.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:217927
Study programmeTitle: Graduate University Study of Electrical Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike (magistar/magistra inženjer/inženjerka elektrotehnike)
Type of resourceText
File originBorn digital
Access conditionsAccess restricted to students and staff of home institution
Terms of useLicence In copyright icon
Created on2021-08-27 13:05:49