prikaz prve stranice dokumenta Bayesovsko duboko učenje za klasifikaciju teksta
Rad nije dostupan
diplomski rad
Bayesovsko duboko učenje za klasifikaciju teksta
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. urn:nbn:hr:168:759583
Šajatović, Antonio
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Šajatović, A. (2019). Bayesovsko duboko učenje za klasifikaciju teksta (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:759583

Šajatović, Antonio. "Bayesovsko duboko učenje za klasifikaciju teksta." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:759583

Šajatović, Antonio. "Bayesovsko duboko učenje za klasifikaciju teksta." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:759583

Šajatović, A. (2019). 'Bayesovsko duboko učenje za klasifikaciju teksta', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 22.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:759583

Šajatović A. Bayesovsko duboko učenje za klasifikaciju teksta [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2019 [pristupljeno 22.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:759583

A. Šajatović, "Bayesovsko duboko učenje za klasifikaciju teksta", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:759583

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:759583
Podaci o radu
NaslovBayesovsko duboko učenje za klasifikaciju teksta
Naslov (engleski)Bayesian Deep Learning for Text Classification
AutorAntonio Šajatović
MentorJan Šnajder (mentor)
Član povjerenstvaJan Šnajder (predsjednik povjerenstva)
Član povjerenstvaBojana Dalbelo-Bašić (član povjerenstva)
Član povjerenstvaMarko Čupić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2019-07-11, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Modeli dubokog učenja postižu vrhunske performanse u klasifikaciji teksta, jednom od zadataka u obradi prirodnog jezika. Međutim, kako ovi modeli koriste točkovne procjene svojih parametara, oni nisu u stanju modelirati prediktivnu nesigurnost. Na duboko učenje je primijenjena Bayesova teorija vjerojatnosti, što je rezultiralo područjem koje se zove Bayesovsko duboko učenje, omogućujući dubokim modelima da modeliraju nesigurnost na principijelan način. Cilj ovog rada bio je ispitati performanse Bayesovih dubokih modula za klasifikaciju teksta i nove primjene nesigurnosti modela. Bayes by Backprop metoda korištena je za implementaciju nekoliko modela klasifikacije teksta, koji su postigli performanse usporedive s modelima s točkovnim procjenama parametara. Modeli su evaluirani na tri različita skupa podataka za klasifikaciju na engleskom jeziku. Naposljetku, prediktivna nesigurnost koja se upotrebljava za suzdržavanje od klasifikacije uspoređena je s jednostavnim bazičnim pristupom u eksperimentima selektivne klasifikacije.
Sažetak (engleski)
Deep learning models achieve state of the art performance in text classification, a task in natural language processing. However, as these models use point estimates of their parameters, they are not able to model the predictive uncertainty. Bayesian probability theory was applied to deep learning, resulting in a field called Bayesian deep learning, enabling deep learning models to incorporate uncertainty in a principled way. To goal of this thesis was to examine the performance of Bayesian deep models for text classification and novel applications of model uncertainty. The Bayes by Backprop method was used to implement several text classification models that were shown to achieve performance comparable with point estimate models. The models were evaluated on three different English text classification datasets. Finally, predictive uncertainty used to abstain from classification was compared with a simple baseline approach in the selective classification experiments.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:759583
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2020-01-07 22:14:10