prikaz prve stranice dokumenta Bayesove neuronske mreže
  Preuzmi
PDF 876.58 KB
diplomski rad
Bayesove neuronske mreže
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2025. urn:nbn:hr:217:948790
Kristić, Joško
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Kristić, J. (2025). Bayesove neuronske mreže (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:948790

Kristić, Joško. "Bayesove neuronske mreže." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2025. https://urn.nsk.hr/urn:nbn:hr:217:948790

Kristić, Joško. "Bayesove neuronske mreže." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2025. https://urn.nsk.hr/urn:nbn:hr:217:948790

Kristić, J. (2025). 'Bayesove neuronske mreže', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 26.03.2025., https://urn.nsk.hr/urn:nbn:hr:217:948790

Kristić J. Bayesove neuronske mreže [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2025 [pristupljeno 26.03.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:948790

J. Kristić, "Bayesove neuronske mreže", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2025. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:948790

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:948790
Podaci o radu
NaslovBayesove neuronske mreže
Naslov (engleski)Bayesian neural networks
AutorJoško Kristić
MentorMatej Mihelčić (mentor)
Član povjerenstvaMatej Mihelčić (predsjednik povjerenstva)
Član povjerenstvaGoran Igaly (član povjerenstva)
Član povjerenstvaZvonimir Bujanović (član povjerenstva)
Član povjerenstvaMarko Horvat (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Matematički odsjek)
Zagreb
Datum i država obrane2025-02-17, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Teorija vjerojatnosti i statistika
Sažetak
U ovom diplomskom radu obrađena je tema Bayesovih neuronskih mreža, koje predstavljaju spoj standardnih neuronskih mreža i Bayesovske statistike. U svrhu razumijevanja Bayesovih neuronskih mreža obrađuju se teme klasičnih neuronskih mreža i Bayesovskog zaključivanja, s naglaskom na Bayesov teorem te priorne i posteriorne distribucije. Detaljno se analizira struktura i razlike Bayesovih neuronskih mreža u odnosu na klasične, s fokusom na metode treniranja poput varijacijskog zaključivanja i... Više Monte Carlo metoda. Mogućnost kvantifikacije neizvjesnosti Bayesovih neuronskih mreža prezentira se kroz uvođenje vrsta neizvjesnosti i njihove teorijske podloge. Za kraj teorijskog dijela, detaljno se analizira problem pretreniranosti u kontekstu strojnog učenja te metode kojima klasične i Bayesove neuronske mreže njemu pristupaju. U eksperimentalnom dijelu, na stvarnim skupovima podataka implementiraju se modeli klasičnih i Bayesovih neuronskih mreža. Kroz rezultate eksperimentalnog dijela pokazuju se mogućnosti Bayesovih neuronskih mreža i prednosti u odnosu na klasične. Sakrij dio sažetka
Sažetak (engleski)
This thesis explores the topic of Bayesian neural networks, which represent a combination of standard neural networks and Bayesian statistics. To facilitate an understanding of Bayesian neural networks, the concepts of classical neural networks and Bayesian inference are discussed, with an emphasis on Bayes' theorem and prior and posterior distributions. The structure and differences of Bayesian neural networks compared to classical ones are analyzed in detail, focusing on training... Više methods such as variational inference and Monte Carlo methods. The ability of Bayesian neural networks to quantify uncertainty is presented through the introduction of types of uncertainty and their theoretical foundations. The theoretical section concludes with a detailed examination of the problem of overfitting in the context of machine learning and the methods used by classical and Bayesian neural networks to address it. In the experimental section, models of classical and Bayesian neural networks are implemented on real datasets. The results of the experimental section demonstrate the capabilities of Bayesian neural networks and their advantages over classical neural networks. Sakrij dio sažetka
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:948790
Studijski programNaziv: Matematička statistika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: sveučilišni magistar matematike (univ. mag. math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2025-01-27 21:05:05
accessibility

closePristupačnostrefresh

Ako želite spremiti trajne postavke, kliknite Spremi, ako ne - vaše će se postavke poništiti kad zatvorite preglednik.