prikaz prve stranice dokumenta Federalno učenje u ugradbenim sustavima
Rad nije dostupan
diplomski rad
Federalno učenje u ugradbenim sustavima
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. urn:nbn:hr:168:929288
Premužić, Ivan
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Premužić, I. (2021). Federalno učenje u ugradbenim sustavima (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:929288

Premužić, Ivan. "Federalno učenje u ugradbenim sustavima." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:929288

Premužić, Ivan. "Federalno učenje u ugradbenim sustavima." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:929288

Premužić, I. (2021). 'Federalno učenje u ugradbenim sustavima', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 22.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:929288

Premužić I. Federalno učenje u ugradbenim sustavima [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2021 [pristupljeno 22.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:929288

I. Premužić, "Federalno učenje u ugradbenim sustavima", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:929288

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:929288
Podaci o radu
NaslovFederalno učenje u ugradbenim sustavima
Naslov (engleski)Federated Learning in Embedded Systems
AutorIvan Premužić
MentorIgor Čavrak (mentor)
Član povjerenstvaIgor Čavrak (predsjednik povjerenstva)
Član povjerenstvaHrvoje Mlinarić (član povjerenstva)
Član povjerenstvaIvana Bosnić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2021-07-15, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Federalnog učenje je kolaborativna, distribuirana metoda za učenje globalnog dijeljenog modela. Koristi računalne mogućnosti krajnjih uređaja (pametni telefoni, uređaji u ugradbenim sustavima, internetu stvari, računarstvu na rubu itd.) za obavljanje procesa strojnog učenja, pri čemu se za treniranje koriste lokalni podaci. Svaki krajnji uređaj (klijentski čvor) trenira lokalni model nad svojim podacima, a centralni čvor kreira globalni model na temelju lokalnih modela. Lokalni podaci svakog klijenta, koji su često privatni, nikada se ne dijele s nekom trećom stranom i na taj način je sačuvana privatnost klijenta. Kako bi se olakšalo istraživanje federalnog učenja razvijeni su programski okviri za federalno učenje, a jedan od njih je Flower. U ovom radu proučeno je područje federalnog učenja, te programski okvir Flower i njegove karakteristike i prednosti u odnosu na slične programske okvire. Implementiran je sustav za stvaranje zajedničkog modela temeljen na programskom okviru Flower, te su ispitane performanse sustava s obzirom na dostignuti kvalitetu zajedničkog globalnog modela i modela dobivenog metodom klasičnog centralnog strojnog učenja.
Sažetak (engleski)
Federated learning (FL) is collaborative, distributed method of machine learning used to create a shared global model. It uses computing capabilities of end devices (smartphones, devices in embedded systems, IoT, edge computing etc.) for machine learning on their local data. Every end device (client node) trains a local model on its local data, while central node creates global shared model based on information from local models. Local data of each client, which is often private, is never shared with other party and privacy of clients is preserved. To make exploration and development of federated learning easier, several frameworks for federated learning have been developed, one of which is Flower. In this work the field of federated learning is described and Flower framework for federated learning is explored. Using Flower framework, system for creating a shared global model is developed and its performance is evaluated based on achieved quality of shared global model and model created using classic centralized method of machine learning.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:929288
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 pohrane2023-01-13 13:33:45