prikaz prve stranice dokumenta Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije
Pristup korisnicima matične ustanove
diplomski rad
Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije
2020. urn:nbn:hr:190:217927
Peter, Franko
Sveučilište u Rijeci
Tehnički fakultet
Zavod za automatiku i elektroniku
Katedra za elektroniku, robotiku i automatiku

Citirajte ovaj rad

Peter, F. (2020). Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:217927

Peter, Franko. "Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:190:217927

Peter, Franko. "Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:190:217927

Peter, F. (2020). 'Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 27.11.2024., https://urn.nsk.hr/urn:nbn:hr:190:217927

Peter F. Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2020 [pristupljeno 27.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:217927

F. Peter, "Klasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:217927

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:217927
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovKlasifikacija Računalnih Komponenti Primjenom Umjetne Inteligencije
Naslov (engleski)Classification of computer components using artificial intelligence
AutorFranko Peter
MentorZlatan Car (mentor)
Član povjerenstvaAlfredo Višković (predsjednik povjerenstva)
Član povjerenstvaZlatan Car (član povjerenstva)
Član povjerenstvaRene Prenc (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
(Zavod za automatiku i elektroniku)
(Katedra za elektroniku, robotiku i automatiku)
Rijeka
Datum i država obrane2020-09-22, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Sažetak
U ovome radu kreirana je i objašnjena klasifikacija računalnih komponenata primjenom umjetne inteligencije, točnije izbora tipova računalnih socket-a za pojedinu matičnu ploču. Kreiranim web scraperom prikupljeni su podatci koji su obrađeni i organizirani u skupu podataka slika korištenu pri klasifikaciji konvolucijskim neuronskim mrežama. Klasifikacija je provedena na tri različite arhitekture od koje su dvije prilagođeni modeli, a jedna je kreirana od nule. Nakon treniranja i predikcije modela dobiveni rezultati su prikazani unutar tablica prema parametrima točnosti i broju prepoznatih uzoraka, te su vizualizirani putem matrica konfuzije za svaki model, kako bi se jasnije predočila točnost za svaku klasu. Dobiveni rezultati su u rasponu točnosti od 92% do 97%. Točno prepoznati uzorci dobivaju se u rasponu od 265 uzoraka za najlošiji model, do 279 uzoraka za najbolji model. Za kraj je izrađena jednostavna Flask web aplikacija kako bi se prikazala stvarna implementacija klasifikacijskih neuronskih mreža.
Sažetak (engleski)
In this document, the classification of computer components is created and explained using artificial intelligence, more precisely the choice of types of computer sockets for each motherboard. The created web scraper collected data that were processed and organized in a set of image data used in the classification of convolutional neural networks. The classification was conducted on three different architectures, two of which are custom models, and one was created from scratch. After training and model prediction, the obtained results are presented within the tables according to the accuracy parameters and the number of recognized samples, and visualized through confusion matrix for each model to more clearly present the accuracy for each class. The obtained results are in range of accuracy from 92% to 97%. Accurately identified samples are obtained in the range of 265 samples for the worst model, to 279 samples for the best model. In the end a simple Flask web application was created to show the actual implementation of classification neural networks.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:217927
Studijski programNaziv: Elektrotehnika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike (mag. ing. el.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-08-27 13:05:49