prikaz prve stranice dokumenta Robusne metode optimizacije u strojnom učenju
  Preuzmi
PDF 387.62 KB
diplomski rad
Robusne metode optimizacije u strojnom učenju
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. urn:nbn:hr:217:384663
Čuklić, Martina
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Čuklić, M. (2023). Robusne metode optimizacije u strojnom učenju (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:384663

Čuklić, Martina. "Robusne metode optimizacije u strojnom učenju." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:384663

Čuklić, Martina. "Robusne metode optimizacije u strojnom učenju." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:384663

Čuklić, M. (2023). 'Robusne metode optimizacije u strojnom učenju', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 03.11.2024., https://urn.nsk.hr/urn:nbn:hr:217:384663

Čuklić M. Robusne metode optimizacije u strojnom učenju [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2023 [pristupljeno 03.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:384663

M. Čuklić, "Robusne metode optimizacije u strojnom učenju", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:384663

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:384663
Podaci o radu
NaslovRobusne metode optimizacije u strojnom učenju
Naslov (engleski)Robust optimization methods in machine learning
AutorMartina Čuklić
MentorMarko Vrdoljak (mentor)
Član povjerenstvaMarko Vrdoljak (predsjednik povjerenstva)
Član povjerenstvaMarko Erceg (član povjerenstva)
Član povjerenstvaMatej Mihelčić (član povjerenstva)
Član povjerenstvaIvica Nakić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Matematički odsjek)
Zagreb
Datum i država obrane2023-03-02, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Sažetak
U ovom radu prikazali smo primjene nekih tehnika robusne optimizacije u strojnom učenju. Robusna optimizacija važan je dio optimizacije koji se bavi nesigurnošću u podacima optimizacijskih problema. Kako se u današnje vrijeme strojno učenje često susreće s nesigurnošću, robusna optimizacija tu ima sve veću ulogu. Promatrana je veza između robusnosti i regulariziranog stroja potpornih vektora, točnije, pokazali smo da je standardni regularizirani stroj potpornih vektora posebni slučaj robusne optimizacije. Zatim je uvedena robusna regresija s pogreškom najmanjih kvadrata te je promatran slučaj gdje su značajke izložene smetnjama, to jest nesigurnosti. Osigurana je interpretacija Lasso algoritma s robusne perspektive, a na temelju te robusne interpretacije istražena su svojstva rijetkosti i konzistentnosti. Osim toga, predstavljen je rezultat koji nam govori da su rijetkost i stabilnost u kontradikciji, to jest da se ne mogu postići simultano.
Sažetak (engleski)
In this paper, we presented some robust optimization techniques in machine learning. Robust optimization is an important part of optimization that deals with uncertainty in the data of optimization problems. As today’s machine learning is often faced with uncertainty, robust optimization plays an increasingly important role. The connection between robustness and regularized support vector machine was observed, more precisely, we showed that the standard regularized support vector machine is a special case of robust optimization. Robust regression with least squares error was introduced and the case where the features are exposed to disturbances, that is, uncertainties, was observed. An interpretation of the Lasso algorithm from a robust perspective is provided, and on the basis of this robust interpretation, the properties of sparsity and consistency are investigated. In addition, a result is presented that tells us that sparsity and stability are in contradiction, that is, they cannot be achieved simultaneously.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:384663
Studijski programNaziv: Računarstvo i matematika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra računarstva i matematike (mag. inf. et math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-03-23 15:10:03