Geometrijski pristup dubokom učenju

završni rad

• Naslov (engleski): Geometrical approach to deep learning
• Autor: Mislav Đomlija
• Mentor: Dario Bojanjac (mentor)
• Član povjerenstva: Dario Bojanjac (predsjednik povjerenstva)
• Član povjerenstva: Filip Turčinović (član povjerenstva)
• Član povjerenstva: Dubravko Tomić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-06-29, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu smo na jasan način prezentirali osnove Riemannove geometrije i njenu primjenu na standardnu arhitekturu neuronske mreže. Izveli smo način za računanje nivo hiperploha u podatkovnoj domeni i to primjenili na jednostavnu neuronsku mrežu koja obavlja logističku regresiju nad trodimenzionalnim točkama

Sažetak (engleski)

In this paper, we presented the basics of Riemannian geometry and its application on standard neural network architecture. We developed a framework to calculate level hyperplanes in the data domain and we applied that to simple neural network, trained to do logistic regression on 3D points.

• Ključne riječi: duboko učenje; mnogostrukost; Riemannova metrika; neuronska mrež; geometrijsko duboko učenje
• Ključne riječi (engleski): deep learning; manifold; Riemann metric; neural network; geometric deep learning
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:667170
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-07-13 10:02:36