Završni radovi | FER Repository

: Strojno učenje u modnoj industriji; Nika Rosandić
U ovom se radu, teorijski i praktično, razmatra primjena strojnog učenja u modnoj industriji. U teorijskom dijelu predstavljaju se problemi modne industrije koji se mogu riješiti strojnim učenjem. Uvodi se strojno učenje i njegove grane te duboko učenje i neuronske mreže. Detaljnije se obrađuju generativne kontradiktorne mreže. U praktičnom se dijelu analizira model pretvorbe skice cipele u stvarnu sliku cipele. Objašnjen je algoritam konvolucijskih generativnih kontradiktornih...

: Strojno učenje u natjecateljskom e-sportu; Ivan Glavinović
Pogađanje rezultata eSports utakmica u igri League of Legends korištenjem knjižnice XGBoost, uz analizu fenomena grude te važnosti pojedinih značajki; Objašnjenje strukture natjecanja u profesionalnom League of Legendsu. Oblikovanje seta za učenje i klasifikatora, kao i hiperparametara za najbolji mogući rezultat učenja.

: Strojno učenje za analizu sentimenta temeljenu na aspektima; Mario Zec
Tema ovoga rada je analiza sentimenta temeljena na aspektima. Korišten je skup podataka s natjecanja Semeval iz 2015. godine za zadatak 12. Prva tri modela ovoga rada omogućila su nam bolji uvid u sami problem i dodatne informacije o skupu podataka. U njma su isprobani pristupi koji koriste koeficijent Sørensen-Dice, te jednoslojni i dvoslojni modeli modela CRF. Konačno rješenje temeljili smo na pretpostavci da svakome aspektu mora biti pripisan jedan dio rečenice. Ako to nije slučaj,...

: Strojno učenje za analizu sentimenta u mikroblogovima; Ivan Križanić
Ovaj se rad bavi analizom sentimenta u mikroblogovima društvene platforme Twitter. Proučavanje teme analize sentimenta ostvareno je uz pomoć četvrtoga zadatka s natjecanja Semeval, koji je bio vrlo popularan zadatak nekoliko godina u nizu u kojima se natjecanje održavalo. Napravljena je usporedba pristupa klasičnim strojnim učenjem, odnosno korištenja SVM-modela i pristupa dubokog ućenja, odnosno korištenja povratne neuronske mreže (RNN) s arhitekturom ćelije s dugoročnom...

: Strojno učenje za klasifikaciju financijskih vremenskih nizova; Ivan Modrušan
U sklopu rada su učeni modeli za predviđanje kretanja sastavnica tržišnog indeksa S&P 500. Opisani su osnovni koncepti strojnog učenja i teorijska podloga modela slučajnih šuma, potpuno povezane, konvolucijske i povratne neuronske mreže. Problem predviđanja je formiran kao klasifikacija tako da su modeli predviđali jednu od tri kategorije: rast, pad i stagnacija vrijednosti dionice. Kategorije su određene korištenjem metode trostruke granice i metode s fiksnom vremenskom...

: Strojno učenje za predikciju ličnosti na temelju teksta; Ante Miličević
Ličnost opisuje stabilne psihološke karakteristike pojedinaca. Tekstualno predviđanje ličnosti privlači sve veće zanimanje u području obrade prirodnog jezika i psihologije ličnosti, posebno s porastom količine tekstova koje stvaraju korisnici na društvenim mrežama. Postoji puno modela strojnog učenja koji se mogu koristiti za klasifikacijske probleme kao predviđanje MBTI ličnosti. Svaki model ima svoje hiperparametre koji se mogu prilagoditi kako bi se postigla ciljna razina...

: Strojno učenje za procjenu fraktalne dimenzije; Filip Janđel
Ovaj rad sadrži kratak uvod u fraktalne objekte i fraktalne dimenzije. Pojašnjava pojam strojnog učenja te jednu njegovu vrstu - nadzirano učenje. Objašnjava se jedan algoritam strojnog učenja koji je utemeljen na stablima odluke, algoritam slučajnih šuma. Prikazuje se izrada programskog okruženja za procjenu fraktalne dimenzije pomoću algoritma slučajnih šuma. Dani su rezultati procjene, usporedba s ispravnim rezultatima te pojašnjenja kako postići bolje rezultate.

: Strojno učenje za simulacije; Damjan Rafaj
Ovaj rad istražuje metode nadziranog strojnog i dubokog učenja koje mogu ponuditi inverzni model kompleksnog simulacijskog sustava koji inače nije matematički izvediv. Inverzni model ključan je u analizi, objašnjavanju i optimiranju simulacijskog sustava. U ovom konkretnom slučaju koristi se u rješenju vizualne analitike za simulaciju klimatizacijskih sustava koja, osim metoda strojnog i dubokog učenja, obuhvaća i interaktivnu vizualizaciju.

: Strojno učenje za sintezu sažetaka teksta; Valentina Fatorić
U ovom radu je opisan problem automatskog sažimanja teksta i dva različita pristupa tom problemu: ekstraktivno i apstraktivno sažimanje. Za ekstraktivno sažimanje su opisane različite metode koje se koriste za izdvajanje najbitnijih rečenica, a za apstraktivno je objašnjeno kako je strojevima omogućeno parafrazirati pomoću strojnog učenja i povratnih neuronskih mreža. Također, u ovom radu su objašnjene različite mjere ocjenjivanja generiranih sažetaka te je napravljena...

: Strojno učenje za sintezu sažetaka teksta; Robert Jambrečić
U radu su obrađeni modeli za automatsko sažimanje teksta te je opisan način rada nadziranog i nenadziranog strojnog učenja. Testirano je više algoritama za izvlačenje teksta koji pomoću različitih metoda odlučuju o važnosti rečenica unutar dokumenta. Testiran je i apstrakcijski koder-dekoder model (seq2seq). Objašnjeni su načini evaluacije sažetaka. Svi modeli obrađeni u radu, evaluirani su metodom evaluacije sadržaja.

: Strojno učenje za vrednovanje slučajnih zahtjeva; Hrvoje Abramović
Diplomski rad se bavi primjenom metoda strojnog učenja, točnije LSTM-ova, u svrhu vrednovanja opcija. Ideja je predvidjeti buduću volatilnost i onda provjeriti koje su opcije na tržištu krivo procijenjene gledajući njihovu impliciranu volatilnosti. Model je treniran nad povjesnim podacima S\&P 500 indeksa, te je uspio nadmašiti jednostavan heuristički pristup. Nadalje, model pokazuje najbolje rezultate kada mu se na ulaz, uz povijesnu volatilnost, dovedu i povrati. Pokazalo se i da...

: Strujanje podataka s ugradbenog računala u komunikaciji strojeva; Dino Lukman
U radu je obrađena tema strujanja podataka s ugradbenog računala u komunikaciji strojeva. M2M-komunikacija je komunikacija bez ljudske interakcije, automatizirana i kontrolirana od strane uređaja. Opisani ugradbeni računalni sustav Arduino Yun korišten je za primanje podataka s ulaznog uređaja (kamere). Višemedijski podaci primaju se pomoću alata ffmpeg, a strujanje se omogućuje pomoću poslužitelja ffserver. Podaci su strujanjem kroz poslužiteljsku aplikaciju izrađenu u Javi...

Pages