prikaz prve stranice dokumenta Generativni modeli u dubokom strojnom učenju
Pristup korisnicima matične ustanove
diplomski rad
Generativni modeli u dubokom strojnom učenju
2020. urn:nbn:hr:166:383381
Ćorić, Mate
Sveučilište u Splitu
Prirodoslovno-matematički fakultet
Odjel za matematiku

Citirajte ovaj rad

Ćorić, M. (2020). Generativni modeli u dubokom strojnom učenju (Diplomski rad). Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:166:383381

Ćorić, Mate. "Generativni modeli u dubokom strojnom učenju." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:166:383381

Ćorić, Mate. "Generativni modeli u dubokom strojnom učenju." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:166:383381

Ćorić, M. (2020). 'Generativni modeli u dubokom strojnom učenju', Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, citirano: 29.12.2024., https://urn.nsk.hr/urn:nbn:hr:166:383381

Ćorić M. Generativni modeli u dubokom strojnom učenju [Diplomski rad]. Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet; 2020 [pristupljeno 29.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:383381

M. Ćorić, "Generativni modeli u dubokom strojnom učenju", Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, Split, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:383381

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:166:383381
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovGenerativni modeli u dubokom strojnom učenju
Naslov (engleski)Deep generative models
AutorMate Ćorić
MentorŽeljko Agić (mentor)
Član povjerenstvaŽeljko Agić (predsjednik povjerenstva)
Član povjerenstvaJurica Perić (član povjerenstva)
Član povjerenstvaAljoša Šubašić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Prirodoslovno-matematički fakultet
(Odjel za matematiku)
Split
Datum i država obrane2020-09-09, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Generativni modeli su trenutno jedan od dominantnih pristupa modeliranju podataka koji imaju kompleksnu strukturu. Ova klasa modela predstavlja korak naprijed prema ostvarivanju inteligentnih sustava koji informacije o svom okruženju uče tako da stvaraju nove podatke. U ovom radu najviše pažnje je posvećeno najpopularnijim i trenutno najuspješnijim generativnim modelima: varijacijskim autoenkoderima i generativnim suparničkim mrežama. Naglasak je na matematičkoj pozadini algoritama i intuiciji iza njihovog dizajna. U drugom dijelu rada opisan je generativni nadzirani model i eksperimenti u Pythonu primijenjeni na MNIST skup podataka.
Sažetak (engleski)
Generative models are currently one of the dominant approaches for modeling data with complex structure. This class of models is a step forward in the realization of intelligent systems that learn information about their environment by creating new data. In this thesis, the most attention is given to the two most popular and currently most successful deep generative models: variational autoencoders and generative adversarial networks. The emphasis is on the mathematical background of the algorithms and the intuition behind their design. Generative supervised model and experiments in Python applied to MNIST dataset are described in the second part of the thesis.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:166:383381
Studijski programNaziv: Matematika; smjerovi: teorijski, računarski, nastavnički, statistika i računarstvo
Smjer: računarski
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag. math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-02-02 15:07:01