Raspodijeljeno udruženo učenje za okoline Interneta stvari

diplomski rad

• Naslov (engleski): Federated Learning for Internet of Things Environments
• Autor: Marko Bartaković
• Mentor: Ivana Podnar Žarko (mentor)
• Član povjerenstva: Ivana Podnar Žarko (predsjednik povjerenstva)
• Član povjerenstva: Mario Kušek (član povjerenstva)
• Član povjerenstva: Krunoslav Tržec (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2022-07-12, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Raspodijeljeno udruženo učenje relativno je nova paradigma u treniranju modela strojnog učenja. Za treniranje modela koriste se uređaji na rubu mreže koji imaju vlastiti skup podataka za treniranje. Kako bi privatnost podataka korisnika ostala sačuvana, lokalni podaci klijenata nikada se ne prenose preko mreže. Proces treniranja modela izvodi se tako da klijenti na svojem lokalnom skupu podataka provode ažuriranje globalnog modela, a centralni čvor agregira ažuriranja modela od klijenata te kreira jedan globalni model. U ovom radu istraženo je područje raspodijeljenog udruženog učenja i primjeri korištenja takve vrste paradigme strojnog učenja. Kreirana su tri različita modela koji su predviđali prinos usjeva soje te su ispitane razlike u odnosu na modele koji su dobiveni na klasični način primjenom centraliziranog modela strojnog učenja.

Sažetak (engleski)

Federated learning is an emerging paradigm used in the process of training of Machine Learning models. Edge devices are used to train machine learning models based on their local data sets.
To preserve the privacy of user data, local data sets are never transmitted over the network. During the model training process, clients update a global model using their local datasets, and then the central server aggregates model updates from the clients to create one global model. In this thesis a review on federated learning and applications that have emerged using the paradigm of federated learning has been explored. Three different models were created to predict soybean crop yields and we examined the differences between three different models that are trained on a centralized dataset and models that are trained using the federated learning principles.

• Ključne riječi: Raspodijeljeno udruženo učenje; Federativno učenje; Internet stvari; pametna poljoprivreda; Flower
• Ključne riječi (engleski): Federative Learning; Internet of Things; Smart Agriculture; Flower
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:422556
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 14:29:57