prikaz prve stranice dokumenta Povratne neuronske mreže i primjene
  Preuzmi
PDF 1.32 MB
diplomski rad
Povratne neuronske mreže i primjene
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. urn:nbn:hr:217:857092
Kabić, Stipe
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Kabić, S. (2023). Povratne neuronske mreže i primjene (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:857092

Kabić, Stipe. "Povratne neuronske mreže i primjene." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:857092

Kabić, Stipe. "Povratne neuronske mreže i primjene." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:857092

Kabić, S. (2023). 'Povratne neuronske mreže i primjene', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 23.12.2024., https://urn.nsk.hr/urn:nbn:hr:217:857092

Kabić S. Povratne neuronske mreže i primjene [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2023 [pristupljeno 23.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:857092

S. Kabić, "Povratne neuronske mreže i primjene", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:857092

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:857092
Podaci o radu
NaslovPovratne neuronske mreže i primjene
Naslov (engleski)Recurrent neural networks and applications
AutorStipe Kabić
MentorZvonimir Bujanović (mentor)
Član povjerenstvaIvica Nakić (predsjednik povjerenstva)
Član povjerenstvaHrvoje Šikić (član povjerenstva)
Član povjerenstvaNenad Antonić (član povjerenstva)
Član povjerenstvaPavle Goldstein (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 dali smo osnovni teorijski uvod u neuronske mreže i motivirali njihovo korištenje. Nakon toga smo precizno izveli algoritam za njihovo treniranje nad podacima. Zatim smo detaljnije obradili povratne neuronske mreže, analizirali glavne probleme koji se javljaju prilikom njihovog treniranja te predstavili naprednije verzije takvih mreža koje rješavaju te probleme, a to su LSTM i GRU mreže. Nakon toga, predstavili smo problem separacije instrumenata iz glazbe te ga matematički opisali. Nadalje, prikazali smo osnovne rezultate o Fourierovim transformacijama koji su nam omogućili jednostavnije modeliranje tog problema. Također smo izveli algoritam za brzo računanje diskretne Fourierove transformacije koji nam je olakšao praktičnu primjenu iste. Ti su nas rezultati doveli do pojma spektrograma koji predstavlja prikladan način zapisa zvučnih podataka s ciljem primjene neuronskih mreža na njih. Konačno, predložili smo arhitekturu neuronske mreže koja je temeljena na povratnim mrežama i primijenili ju na problem separacije. Na samom kraju prikazali smo rezultate ovog modela i ukratko ih analizirali.
Sažetak (engleski)
In this thesis we gave a basic theoretical introduction to neural networks and motivated their practical use. After that, we precisely worked out an alogorithm for training these networks on data. Next, we analyzed recurrent neural networks in more detail, worked out the main problems with their training and introduced more advanced versions of these networks which are the LSTM and GRU networks. Afterwards, we introduced the problem of music source separation and described it mathematically. We introduced basic results about Fourier transformations which allowed us to model this problem more easily. We also derived an algorithm for faster calculation of the discrete Fourier transform which made practical use of this transformation easier. These results led us to the definition of the spectrogram as an appropriate way of describing audio data with the goal of training neural networks on it. Finally, we defined a neural network architecture based on recurrent networks and applied it to the problem of music source separation. At the very end, we described the results of this model and briefly analyzed them.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:857092
Studijski programNaziv: Matematička statistika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag. math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-07-25 12:27:35