Prepoznavanje znakova korištenjem TensorFlow biblioteke

završni rad

• Naslov (engleski): Character Recognition Using TensorFlow Library
• Autor: Andreja Vodopija
• Mentor: Tomislav Pribanić (mentor)
• Član povjerenstva: Tomislav Pribanić (predsjednik povjerenstva)
• Član povjerenstva: Tomislav Petković (član povjerenstva)
• Član povjerenstva: Matea Đonlić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2018-09-19, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Postoje 3 vrste strojnog učenja: nadzirano, nenadzirano i podržano učenje. U ovom radu su opisane 3 metode nadziranog učenja: logistička regresija, softmax regresija i umjetne neuronske mreže. Logistička regresija služi za binarnu klasifikaciju, dok softmax regresija služi za višeklasnu klasifikaciju. S obzirom da ne daju dobre rezultate za linearno neodvojive probleme, takvi problemi se mogu rješavati umjetnim neuronskim mrežama zahvaljujući njenim skrivenim slojevima. Optičko prepoznavanje znakova implementirano je umjetnom neuronskom mrežom te se pri tome korisi biblotekom TensorFlow i podatcima iz baze MNIST.
Veliku ulogu u treniranju umjetne neuronske mreže imaju takozvani hiperparametri: stopa učenja, veličina uzorka i broj epoha. Rezultati točnosti uvelike ovise o hiperparametrima mreže.

Sažetak (engleski)

There are 3 types of machine learning: supervised, unsupervised and reinforcement learning. In this thesis are explained 3 methods of supervised learning: logistic regression, softmax regression and artificial neural networks. Logistic regression is used for binary classification while softmax is used for multiclass classification. These methods don't offer good results for linearly unseparable problems where artificial neural networks can be used thanks to their hidden-layers. Optical character recognition is implemented with neural networks and uses TensorFlow library and MNIST database.
Hyperparameters play huge role in training and accuracy of a neural networks. Parameters that have been studied in this thesis are learning rate, batch size and number of epochs.

• Ključne riječi: strojno učenje; logistička regresija; softmax regresija; umjetna neuronska mreža; optičko prepoznavanje znakova; TensorFlow; MNIST; hiperparametri
• Ključne riječi (engleski): machine learning; logistic regression; softmax regression; artificial neural network; optical character recognition; TensorFlow; MNIST; hyperparameters
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:503066
• 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: 2019-03-14 02:01:32