prikaz prve stranice dokumenta Primjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija
Pristup korisnicima matične ustanove
diplomski rad
Primjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija
Split: Sveučilište u Splitu, Ekonomski fakultet, 2023. urn:nbn:hr:124:969000
Cvijetić, Nikolina
Sveučilište u Splitu
Ekonomski fakultet

Institucijski repozitorij: REFST

Citirajte ovaj rad

Cvijetić, N. (2023). Primjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija (Diplomski rad). Split: Sveučilište u Splitu, Ekonomski fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:124:969000

Cvijetić, Nikolina. "Primjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija." Diplomski rad, Sveučilište u Splitu, Ekonomski fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:124:969000

Cvijetić, Nikolina. "Primjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija." Diplomski rad, Sveučilište u Splitu, Ekonomski fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:124:969000

Cvijetić, N. (2023). 'Primjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija', Diplomski rad, Sveučilište u Splitu, Ekonomski fakultet, citirano: 18.11.2024., https://urn.nsk.hr/urn:nbn:hr:124:969000

Cvijetić N. Primjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija [Diplomski rad]. Split: Sveučilište u Splitu, Ekonomski fakultet; 2023 [pristupljeno 18.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:124:969000

N. Cvijetić, "Primjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija", Diplomski rad, Sveučilište u Splitu, Ekonomski fakultet, Split, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:124:969000

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:124:969000
Podaci o radu
NaslovPrimjena neuronskih mreža za predviđanje duljine studija studenata preddiplomskog studija
Naslov (engleski)Application of neural networks to predict the length of studies of undergraduate students
AutorNikolina Cvijetić
MentorMarko Hell (mentor)
Član povjerenstvaTea Šestanović (član povjerenstva)
Član povjerenstvaMaja Mihaljević Kosor (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Ekonomski fakultet
Split
Datum i država obrane2023, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		DRUŠTVENE ZNANOSTI
Ekonomija
Sažetak
Neuronske mreže postaju sve moćniji alat dubokog strojnog učenja, sve više dobivaju na važnosti u različitim područjima znanosti pružajući razne mogućnosti za rješavanje kompleksnih problema. Jedna od primjena je u visokom obrazovanju. Cilj ovoga rada je bio ispitati da li je moguće uz dostupne podatke izgraditi neuronsku mrežu koja će uspješno predviđati trajanje studija svakog pojedinog studenta na temelju rezultata s prve godine preddiplomskog studija. U ovom istraživanju razvijena su dva modela s različitim ulaznim parametrima, oba su klasifikacijska modela. Kako bi se modeli usporedili koristila se matrica uspješnosti te metrike kao što su preciznost i opoziv. Temeljem analize i usporedbe odabran je model 1 jer je model 2 pokazivao znakove prenaučenosti. Rezultati ovog rada pokazuju da je moguće izgraditi neuronsku mrežu koja može predviđati hoće li studenti završiti unutar predviđenog roka, van roka ili da neće završiti preddiplomski studij u solidnu točnost. Također, daljnji rad i razvoj modela uz proširenje ulaznih parametara moglo bi dovesti do izgradnje još uspješnijeg modela.
Sažetak (engleski)
Neural networks are becoming an increasingly powerful tool in deep machine learning, gaining significance in various scientific domains by providing diverse possibilities for solving complex problems. They are also used in higher education. The objective of this study was to examine whether it is possible to construct a neural network that successfully predicts the duration of each individual student's study based on their performance in the first year of undergraduate studies. Two models with different input parameters were developed for this research, both of which were classification models. To compare the models, a success matrix and metrics such as precision and recall were utilized. Based on the analysis and comparison, model 1 was selected as model 2 exhibited signs of overfitting. Results of this study demonstrate that it is possible to build a solid neural network capable of predicting whether students will complete their undergraduate studies within the projected timeframe, beyond it, or not at all. Furthermore, further work and model development with expanded input parameters could lead to the creation of an even more effective model.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:124:969000
Studijski programNaziv: Poslovna ekonomija
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra ekonomije (mag. oec.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-09-22 13:39:42