prikaz prve stranice dokumenta Primjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka
  Download
PDF 3.4 MB
master's thesis
Primjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka
2023. urn:nbn:hr:162:298962
Ivandić, Tomislav
University of Zadar
Department of Information Sciences

Cite this document

Ivandić, T. (2023). Primjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka (Master's thesis). Zadar: University of Zadar. Retrieved from https://urn.nsk.hr/urn:nbn:hr:162:298962

Ivandić, Tomislav. "Primjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka." Master's thesis, University of Zadar, 2023. https://urn.nsk.hr/urn:nbn:hr:162:298962

Ivandić, Tomislav. "Primjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka." Master's thesis, University of Zadar, 2023. https://urn.nsk.hr/urn:nbn:hr:162:298962

Ivandić, T. (2023). 'Primjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka', Master's thesis, University of Zadar, accessed 07 November 2024, https://urn.nsk.hr/urn:nbn:hr:162:298962

Ivandić T. Primjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka [Master's thesis]. Zadar: University of Zadar; 2023 [cited 2024 November 07] Available at: https://urn.nsk.hr/urn:nbn:hr:162:298962

T. Ivandić, "Primjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka", Master's thesis, University of Zadar, Zadar, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:162:298962

Please login to the repository to save this object to your list.
Metadata
TitlePrimjena strojnog učenja u klasifikaciji slika kao tipičnih primjera nestrukturiranih tipova podataka
Title (english)Application of machine learning on the classification of images as typical examples of unstructured data types
AuthorTomislav Ivandić
MentorAnte Panjkota (mentor)
Committee memberFranjo Pehar (predsjednik povjerenstva)
Committee memberMate Juric (član povjerenstva)
Committee memberAnte Panjkota (član povjerenstva)
GranterUniversity of Zadar
(Department of Information Sciences)
Zadar
Defense date and country2023-03-31, Croatia
Scientific / art field,
discipline and subdiscipline		SOCIAL SCIENCES
Information and Communication Sciences
Abstract
Porast količine nestrukturiranih tipova podataka postavio je nove izazove u raznim domenama informacijskih znanosti, čime se istaknula potreba za razvojem inovativnih, učinkovitih i isplativih metoda njihovog procesiranja među kojima istaknuto mjesto zauzimaju različite metode strojnog učenja. Ovaj diplomski rad istražio je razlike između tradicionalnog strojnog učenja i suvremenih metoda dubokog učenja, prvenstveno vezane zanjihovu primjenu na zadaće klasifikacije slika, kao tipičnih primjera nestrukturiranog tipa podataka. Kako bismo usporedili izvedbu tradicionalnih algoritama strojnog učenja i modela dubokog učenja, proveli smo niz eksperimenata na tri različita skupa podataka ("Vegatable Image Dataset", "Trafic Signs Classification and Recognition" i "Grapevine Image Dataset") od kojih svaki svojim karakteristikama predstavlja poseban primjer tipičnih izazova za zadaću klasifikacije slika. Modeli dubokog učenja proizveli su značajno bolje rezultate klasifikacije na sva tri korištena skupa podataka.
Abstract (english)
The increased amount of unstructured data has posed new challenges in various domains of information sciences, highlighting the need to develop innovative, efficient, and cost-effective processing methods, among which different machine learning methods occupy a prominent place. This master thesis investigated the differences between traditional machine learning and modern deep learning methods, primarily related to their application to image classification tasks as typical examples of unstructured data types. To compare the performance of traditional machine learning algorithms and deeplearning models, we conducted experiments on thre edifferent data sets ("Vegatable Image Dataset", "Trafic Signs Classification and Recognition" and "Grapevine Image Dataset") ,each representing a particular example of typical challenges for the image classification task. Deep learning models produced better classification results on all three data sets.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:162:298962
Study programmeTitle: Library and Information Science
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra informacijskih znanosti (magistar/magistra informacijskih znanosti)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2023-05-15 11:46:18