Primjena modela s dugom kratkoročnom memorijom na predviđanje performansi u višezadaćnom radu

završni rad

• Naslov (engleski): Application of models with long short-term memory to performance prediction in multitasking
• Autor: Luka Panđa
• Mentor: Siniša Popović (mentor)
• Član povjerenstva: Siniša Popović (predsjednik povjerenstva)
• Član povjerenstva: Hrvoje Nuić (član povjerenstva)
• Član povjerenstva: Mate Gambiraža (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-09-02, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Ovaj rad se fokusira na donošenje predviđanja kroz različite vremenske horizonte koristeći različite modele s dugom kratkoročnom memorijom. Koristeći PyTorch biblioteku unutar programskog jezika Python, konstruiramo različite arhitekture modela temeljenih na dugoj kratkoročnoj memoriji, provodimo njihovu evaluaciju koristeći standardne metrike evaluacije te predstavljamo metodu reprezentiranja diskretnih događaja u kontekstu vremenskih sekvenci. Modeli se pokazuju ograničeno uspješnima u isčekivanju događaja te donošenju predviđanja nad kraćim vremenskim horizontima. Također predlažemo potencijalna poboljšanja uz koja se modeli mogu prilagoditi na dulje vremenske horizonte te provoditi predviđanja s obzirom na različite ispitanike. Kroz budućnost ovaj rad može služiti kao temelj za donošenje predviđanja performansi korisnika te korisnikovih budućih akcija u pravom vremenu.

Sažetak (engleski)

In this thesis we focus on time series prediction over different time horizons using multiple long short-term memory based models. Using the PyTorch library in Python, we construct different model architectures based on long short-term memory, conduct their evaluation using standard evaluation metrics and present a method for representing discrete events in a time series context. The models have shown limited success in anticipating events and conducting predictions over shorter time horizons. We also present potential improvements with which the models can better adapt to longer time horizons and make predictions on multiple examinees. In the future this thesis can be used as a basis for real time user performance prediction and the prediction of user's future actions.

• Ključne riječi: umjetna inteligencija; rekurentne neuronske mreže; duga kratkoročna memorija; modeliranje sekvenci; predviđanje ljudskih performansi; višezadaćni rad
• Ključne riječi (engleski): artificial intelligence; recurrent neural networks; long short-term memory; sequence modelling; human performance prediction; multitasking
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:362800
• 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: 2024-10-12 21:45:01