prikaz prve stranice dokumenta Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?
Pristup korisnicima matične ustanove
diplomski rad
Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?
2020. urn:nbn:hr:190:264726
Otović, Erik
Sveučilište u Rijeci
Tehnički fakultet
Zavod za računarstvo
Katedra za inteligentne računalne sustave

Citirajte ovaj rad

Otović, E. (2020). Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive? (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:264726

Otović, Erik. "Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:190:264726

Otović, Erik. "Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 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?', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 27.11.2024., https://urn.nsk.hr/urn:nbn:hr:190:264726

Otović E. Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive? [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2020 [pristupljeno 27.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:264726

E. Otović, "Učenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:264726

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:264726
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovUčenje prijenosom znanja iz vremenskih serija - u kojoj su mjeri značajke prenosive?
Naslov (engleski)Transfer Learning in Time Series Data - How Transferable are the Features?
AutorErik Otović
MentorIvan Štajduhar (mentor)
Član povjerenstvaGoran Mauša (predsjednik povjerenstva)
Član povjerenstvaSandi Ljubić (član povjerenstva)
Član povjerenstvaIvan Štajduhar (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
(Zavod za računarstvo)
(Katedra za inteligentne računalne sustave)
Rijeka
Datum i država obrane2020-07-14, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:264726
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. ing. comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2020-08-24 11:47:16