Radni okvir za umjetne neuronske mreže

undergraduate thesis

• Title (english): Framework for Artificial Neural Networks
• Author: David Marčinković
• Mentor: Zoran Kalafatić (mentor)
• Committee member: Zoran Kalafatić (predsjednik povjerenstva)
• Committee member: Josip Šarić (član povjerenstva)
• Committee member: Ivan Grubišić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2020-07-06, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Umjetne neuronske mreže su računalni sustavi temeljeni na matematičkim modelima koji su inspirirani biološkim neuronskim mrežama, a svoju primjenu nalaze u područjima umjetne inteligencije, obrade podataka, robotici te mnogim drugim područjima znanosti. Sastoje od jednog ulaznog i izlaznog sloja te jednog ili više skrivenih slojeva. Broj neurona ulaznog sloja određen je veličinom ulaznih podataka, dok je broj neurona na izlazu jednak broju razreda koje želimo odrediti. Broj skrivenih slojeva i broj neurona u pojedinom skrivenom sloju je specifičan za svaki problem i jedan je od parametara kojeg treba pažljivo odrediti. Težine poveznica između pojedinih slojeva na samom početku inicijaliziramo nasumično s pomno odabranom funkcijom razdiobe. Koristimo aktivacijsku funkciju kako bismo izlaz iz neuronske mreže preslikali na željeni interval. Stopa učenja je jedan od najvažnijih parametara kada govorimo o neuronskim mrežama. O stopi učenja ovisi brzina procesa učenja i konačna preciznost neuronske mreže. Neuronske mreže rade na principu nadziranog učenja, što se odnosi na činjenicu da mreži u procesu učenja dajemo označene podatke. Neuronske mreže daju jako dobre rezultate u procesu raspoznavanja objekata na fotografija.

Abstract (english)

Artificial neural networks are computer systems based on mathematical models which are inspired by biological neural networks, and find their application in the fields of artificial intelligence, data processing, robotics and many other fields of science. They consist of one input and one output layer, and one or more hidden layers. The number of input layer neurons is determined by the size of the input data, while the number of output neurons is equal to the number of classes we want to decide. The number of hidden layers and the number of neurons in each hidden layer is problem specific, and is one of the most important parameters that has to be carefully chosen. Weights between layers are initialized randomly using some random distribution function. Activation function is used to map neural network output to some desired range. Learning rate is one of the most important parameters related to neural networks. Learning rate determines the speed of learning process, as well as final prediction ability. Neural networks work on the principle of supervised learning, which refers to the fact that in the learning process we give the network labeled data . Neural network give very good results in the process of object recognition and classification.

• Keywords: umjetne neuronske mreže; nadzirano učenje; računalni vid; raspoznavanje objekata; stopa učenja; aktivacijska funkcija
• Keywords (english): Artificial neural network; supervised learning; computer vision; object recognition; learning rate; activation function
• Language: croatian
• URN:NBN: urn:nbn:hr:168:676098
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-14 09:23:03