Raspoznavanje uzoraka dubokim učenjem

diplomski rad

• Autor: Atina Koljevina
• Mentor: Luka Grubišić (mentor)
• Član povjerenstva: Luka Grubišić (predsjednik povjerenstva)
• Član povjerenstva: Robert Manger (član povjerenstva)
• Član povjerenstva: Igor Pažanin (član povjerenstva)
• Član povjerenstva: Nenad Antonić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Matematički odsjek); Zagreb
• Datum i država obrane: 2017-02-22, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Matematika

Sažetak

U ovom radu detaljno su opisane duboke neuronske mreže, s posebnim naglaskom na povratnim neuronskim mrežama. Obrađene su metode i postupci koji se koriste kod treniranja dubokih neuronskih mreža. Kao primjer primjene opisana je izgradnja konverzacijskog agenta, zvanog chatbot. Implementiran je model chatbota u alatu TensorFlow temeljen na slijed-u-slijed arhitekturi i isproban je na dva skupa podataka: Cornell Movie-Dialogs Corpus skupu podataka i Twitter skupu podataka. Na kraju su prikazani rezultati evaluacije zajedno s komentarima.

Sažetak (engleski)

This work describes deep neural networks, with emphasis on recurrent neural networks. Gradient methods and learning algorithms used for neural networks training are shown. As an application we show an implementation of a particular type of conversational agent, called the chatbot. Sequence-to-sequence model for conversational modeling problem is built using TensorFlow, and its performance is evaluated on two datasets: Cornell Movie-Dialogs Corpus dataset and Twitter dataset. Finally, first results of an evaluation are presented together with a discussion of the results.

• Ključne riječi: duboke neuronske mreže; povratne neuronske mreže; treniranje dubokih neuronskih mreža; konverzacijski agent; chatbot; TensorFlow
• Ključne riječi (engleski): deep neural networks; recurrent neural networks; neural networks training; conversational agent; chatbot; TensorFlow
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:879585
• Studijski program: Naziv: Računarstvo i matematika; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra računarstva i matematike (mag. inf. et math.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Pristup korisnicima matične ustanove
• Datum i vrijeme pohrane: 2017-04-26 11:32:40