prikaz prve stranice dokumenta Regularizacija u dubinskom strojnom učenju
Pristup korisnicima matične ustanove
diplomski rad
Regularizacija u dubinskom strojnom učenju
Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2019. urn:nbn:hr:166:515162
Marin, Ivana
Sveučilište u Splitu
Prirodoslovno-matematički fakultet
Odjel za matematiku

Institucijski repozitorij: repozitorij.pmfst.unist.hr

Citirajte ovaj rad

Marin, I. (2019). Regularizacija u dubinskom strojnom učenju (Diplomski rad). Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:166:515162

Marin, Ivana. "Regularizacija u dubinskom strojnom učenju." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2019. https://urn.nsk.hr/urn:nbn:hr:166:515162

Marin, Ivana. "Regularizacija u dubinskom strojnom učenju." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2019. https://urn.nsk.hr/urn:nbn:hr:166:515162

Marin, I. (2019). 'Regularizacija u dubinskom strojnom učenju', Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, citirano: 15.11.2024., https://urn.nsk.hr/urn:nbn:hr:166:515162

Marin I. Regularizacija u dubinskom strojnom učenju [Diplomski rad]. Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet; 2019 [pristupljeno 15.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:515162

I. Marin, "Regularizacija u dubinskom strojnom učenju", Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, Split, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:515162

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:166:515162
Podaci o radu
NaslovRegularizacija u dubinskom strojnom učenju
Naslov (engleski)Regularization in Deep Learning
AutorIvana Marin
MentorŽeljko Agić (mentor)
Član povjerenstvaŽeljko Agić (predsjednik povjerenstva)
Član povjerenstvaJurica Perić (član povjerenstva)
Član povjerenstvaGordan Radobolja (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Prirodoslovno-matematički fakultet
(Odjel za matematiku)
Split
Datum i država obrane2019-09-26, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Sažetak
Jedan od glavnih izazova treniranja dubokih neuronskih mreža s milijunima parametara je izbjegavanje prenaučenosti koja rezultira lošom generalizacijom na novim podatcima. Problemu prenaučenosti može se pristupiti dodavanjem novih podataka skupu za treniranje ili regularizacijom. Cilj ovog diplomskog rada je dati pregled različitih metoda regularizacije koje se koriste u dubinskom strojnom učenju te eksperimentalno ispitati njihov utjecaj na generalizacijsku pogrešku modela. Eksperimentima je pokazano da se odabirom prikladnih metoda regularizacije za dani problem performanse modela na novim podatcima mogu znatno poboljšati.
Sažetak (engleski)
One of the major challenges of training deep neural networks with millions of parameters is avoiding overfitting which results in bad generalization on new data. There are two main approaches to problem of overfitting, collecting more training data and regularization. The main objective of this master’s thesis is to give an overview of different regularization methods and experimentally examine their effect on generalization error. Experiments showed that model performance on new data can be greately improved by choosing appropriate regularization techniques for a given problem.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:166:515162
Studijski programNaziv: Matematika; smjerovi: teorijski, računarski, nastavnički
Smjer: računarski
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag. math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2020-06-08 09:33:42