prikaz prve stranice dokumenta Korisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije
  Preuzmi
PDF 1.72 MB
diplomski rad
Korisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije
Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2022. urn:nbn:hr:166:286875
Katić, Josip
Sveučilište u Splitu
Prirodoslovno-matematički fakultet
Odjel za informatiku

Institucijski repozitorij: repozitorij.pmfst.unist.hr

Citirajte ovaj rad

Katić, J. (2022). Korisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije (Diplomski rad). Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:166:286875

Katić, Josip. "Korisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2022. https://urn.nsk.hr/urn:nbn:hr:166:286875

Katić, Josip. "Korisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2022. https://urn.nsk.hr/urn:nbn:hr:166:286875

Katić, J. (2022). 'Korisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije', Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, citirano: 30.11.2024., https://urn.nsk.hr/urn:nbn:hr:166:286875

Katić J. Korisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije [Diplomski rad]. Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet; 2022 [pristupljeno 30.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:286875

J. Katić, "Korisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije", Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, Split, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:286875

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:166:286875
Podaci o radu
NaslovKorisnost pretvorbe vremenskih podataka u sliku u svrhu klasifikacije
Naslov (engleski)Utility of converting time series data into an image for classification purposes
AutorJosip Katić
MentorSaša Mladenović (mentor)
Član povjerenstvaSaša Mladenović (predsjednik povjerenstva)
Član povjerenstvaDivna Krpan (član povjerenstva)
Član povjerenstvaGoran Zaharija (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Prirodoslovno-matematički fakultet
(Odjel za informatiku)
Split
Datum i država obrane2022-09-26, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Duboko učenje je jedno od područja računalstva koje je postalo sve popularnije i razvijenije posljednjih godina i to je područje koje se promatra unutar ovog rada. Točni aspekti koji se promatraju je usporedba dvije arhitekture neuronskih mreža. Promatramo rekurentnu i konvolucijsku neuronsku mrežu (RNN i CNN) s naglaskom na konvolucisjku neuronsku mrežu u smislu da koristimo podatke koji nisu originalno namijenjeni za tu arhitekturu te hoće li ta mreža s prilagodbom podataka postići zadovoljavajuće rezultate koji su usporedivi s arhitekturom i podatcima korištenim za rekurentnu neuronsku mrežu. Korišteni podatci su snimke moždanih valova dobivene koristeći EEG namijenjeni za rad s RNN arhitekturom, te se prilagodba podatka za CNN arhitekturu izvodila koristeći GAF (GASF i GADF) i MTF algoritme za generiranje slika iz vremenskih podataka.
Sažetak (engleski)
Deep learning is one of the fields of computer science that has become ever more popular and advanced in recent years and that is the field which is observed within this paper. Exect aspect that is observed is the comparison of two neural network architectures. We observe the recurrent and the convolutional neural network (RNN and CNN) while concentrating on the convolutional neural network in the sense that we use data that is not originally suitable for that architecture and will that network with the adjusted data give a satisfying results that are comparable with the architecture and data used for a recurrent neural network. The used data are recordings of brain waves that are acquired by using an EEG and are intended for RNN architecture but for the CNN architecture the data was adjusted by using GAF (GASF and GADF) and MTF algorithms for generating images from time series data.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:166:286875
Studijski programNaziv: Informatika; smjerovi: nastavnički
Smjer: nastavnički
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra edukacije informatike (mag. educ. inf.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje-Nekomercijalno 4.0 međunarodna (CC BY-NC 4.0)
Datum i vrijeme pohrane2023-01-12 13:16:36