prikaz prve stranice dokumenta Optimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja.
Pristup svim korisnicima iz sustava znanosti i visokog obrazovanja RH
završni rad
Optimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja.
Split: Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, 2022. urn:nbn:hr:179:148693
Sarić, Emilija
Sveučilište u Splitu
Fakultet elektrotehnike, strojarstva i brodogradnje
Zavod za matematiku i fiziku

Institucijski repozitorij: Repozitorij Fakulteta elektrotehnike, strojarstva i brodogradnje

Citirajte ovaj rad

Sarić, E. (2022). Optimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja. (Završni rad). Split: Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:179:148693

Sarić, Emilija. "Optimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja.." Završni rad, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, 2022. https://urn.nsk.hr/urn:nbn:hr:179:148693

Sarić, Emilija. "Optimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja.." Završni rad, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, 2022. https://urn.nsk.hr/urn:nbn:hr:179:148693

Sarić, E. (2022). 'Optimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja.', Završni rad, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, citirano: 28.12.2024., https://urn.nsk.hr/urn:nbn:hr:179:148693

Sarić E. Optimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja. [Završni rad]. Split: Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje; 2022 [pristupljeno 28.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:179:148693

E. Sarić, "Optimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja.", Završni rad, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, Split, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:179:148693

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:179:148693
Podaci o radu
NaslovOptimizacija klasifikacije fizikalnih podataka reguliranjem hiperparametara BDTG metode strojnog učenja.
Naslov (engleski)Optimization of classification of physical data by regulating hyperparameters of the BDTG method of machine learning
AutorEmilija Sarić
MentorDamir Lelas https://orcid.org/0000-0002-8269-5760 (mentor)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Fakultet elektrotehnike, strojarstva i brodogradnje
(Zavod za matematiku i fiziku)
Split
Datum i država obrane2022-09-19, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Elektronika
Sažetak
Zbog potrebe za obradom sve većih količina podataka, strojno učenje danas ima sve veći značaj i primjenu. Metodama strojnog učenja nastoje se izgraditi efektivni modeli koji na temelju usvojenih informacija mogu predviđati i donositi odluke. Na taj se način, kako bi se postigli najbolji mogući rezultati, metode optimiziraju i prilagođavaju svakom novom skupu podataka. Optimizacija metode podrazumijeva izbor najboljeg modela i pronalazak najboljih hiperparametara metode. Hiperparametri označavaju vrijednosti modela koje se specificiraju kako bi se povećala efikasnost metode. Specifikacija hiperparametara može se izvoditi ručno, ali zbog neefikasnosti samog postupka sve se više koriste razni algoritmi automatske optimizacije. U ovom rada je provedena hiperparametarska optimizacija BDTG (engl. Boosted Decision Tree Gradient) metode strojnog učenja na danim ulaznim podacima pomoću jedne od automatskih metoda optimizacije.
Sažetak (engleski)
Due to increasing volume of data that is necessary to analyse every day, machine learning has an ever-increasing importance and application. Machine learning methods are used to build effective models that can predict and make decisions based on the acquired information. Therefore, in order to achieve the best possible results, the methods are optimized and adapted to each new dataset. Method optimization implies finding the optimal model and finding the best hyperparameters of the model. Hyperparameters are model values that are specified to improve model performance. The specification of hyperparameters can be performed manually, but due to the inefficiency of the procedure itself, various automatic optimization algorithms are increasingly used. In this thesis, hyperparametric optimization of the BDTG (Boosted Decision Tree Gradient) machine learning method has been performed on a given dataset by using one of the automatic optimization algorithms.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:179:148693
Studijski programNaziv: Elektrotehnika i informacijska tehnologija
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka elektrotehnike i informacijske tehnologije (univ. bacc. ing. el. techn. inf.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup svim korisnicima iz sustava znanosti i visokog obrazovanja RH
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-06-30 10:36:25