prikaz prve stranice dokumenta Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?
Access restricted to students and staff of home institution
master's thesis
Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?
2020. urn:nbn:hr:190:264726
Otović, Erik
University of Rijeka
Faculty of Engineering
Department of Computer Engineering
Section of Intelligent Computing Systems

Cite this document

Otović, E. (2020). Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive? (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:264726

Otović, Erik. "Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?." Master's thesis, University of Rijeka, Faculty of Engineering, 2020. https://urn.nsk.hr/urn:nbn:hr:190:264726

Otović, Erik. "Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?." Master's thesis, University of Rijeka, Faculty of Engineering, 2020. https://urn.nsk.hr/urn:nbn:hr:190:264726

Otović, E. (2020). 'Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 06 September 2024, https://urn.nsk.hr/urn:nbn:hr:190:264726

Otović E. Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive? [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2020 [cited 2024 September 06] Available at: https://urn.nsk.hr/urn:nbn:hr:190:264726

E. Otović, "Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:190:264726

Please login to the repository to save this object to your list.
Metadata
TitleUčenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?
Title (english)Transfer Learning in Time Series Data - How Transferable are the Features?
AuthorErik Otović
MentorIvan Štajduhar (mentor)
Committee memberGoran Mauša (predsjednik povjerenstva)
Committee memberSandi Ljubić (član povjerenstva)
Committee memberIvan Štajduhar (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Computer Engineering)
(Section of Intelligent Computing Systems)
Rijeka
Defense date and country2020-07-14, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Ovaj rad se fokusira na usporedbu performansi modela strojnog učenja koji su trenirani prijenosom znanja i onih koji nisu, a sve to u okviru vremenskih serija. Sustavno se promatra i analizira točnost odabranih modela prilikom prelaska unutar iste domene primjene (seizmologija), ali i između međusobno različitih domena primjene (seizmologija, govor i zvuk, medicina, financije). Kako bi se valjanost dobivenih rezultata potvrdila, primijenjeni su određeni statistički testovi. Kroz rad je pokazano kako je unutar postavljenih eksperimentalnih okvira prijenos znanja donio poboljšanje u performansama modela i brzini konvergencije prilikom treniranja, a u nekoliko problematičnih i rubnih slučajeva su provedena dodatna ispitivanja i ponuđena obrazloženja. Uzimajući u obzir sve rezultate, pokušao se ponuditi odgovor na temeljna pitanja prilikom prijenosa znanja: „Što prenijeti”, „Kako prenijeti” i „Kada prenijeti”. U konačnici, rad nudi zaključak kada je učenje prijenosom znanja korisno, a ponuđena obrazloženja, iako su ponuđena unutar okvira ovog rada, mogu pružati dobru polazišnu točku za prijenos znanja u području vremenskih serija.
Abstract (english)
This paper focuses on comparing the performance of machine learning models that are trained with transfer learning and those that are not, all in the context of time series. The accuracy of selected models is systematically observed and analyzed during the transition within the same domain of application (seismology), but also between mutually different domains of application (seismology, speech and sound, medicine, finance). In order to confirm the validity of the obtained results, specific statistical tests were applied. The paper shows how, within the set experimental framework, the transfer of knowledge brought an improvement in the model performance and the speed of convergence during training. In several problematic and marginal cases, additional tests were conducted and explanations were offered. Taking all the results into account, an attempt is made to offer an answer to the basic questions asked when transferring knowledge: “What to transfer”, “How to transfer” and “When to transfer”. Ultimately, this paper provides the information when is the use of transfer learning appropriate, even if the answers offered are limited to the framework of this paper, can provide a good starting point for knowledge transfer in the field of time series.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:264726
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsAccess restricted to students and staff of home institution
Terms of useLicence In copyright icon
Created on2020-08-24 11:47:16