delo diplomskega seminarja
Tim Dolenc (Avtor), Ljupčo Todorovski (Mentor)

Povzetek

Diplomska naloga raziskuje usmerjene nevronske mreže in rekurenčne nevronske mreže (RNN). Predstavljene so osnovne značilnosti, algoritmi za učenje obeh vrst mrež in dodatni način predstavitve gradienta funkcije izgube pri RNN. Delo vsebuje tudi rezultate lastne implementacije usmerjene nevronske mreže in aplikacijo RNN na problem napovedovanja porabe elektrike. Rezultati kažejo, da so RNN primerne za kratkoročno napovedovanje časovnih vrst, pri daljših zaporedjih pa se soočajo z izzivi kot sta eksplodirajoči in izginjajoči gradient.

Ključne besede

nevronske mreže;usmerjene nevronske mreže;rekurenčne nevronske mreže;napovedovanje časovnih vrst;gradient funkcije izgube;verižno pravilo;vzvratno razširjanje napake;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FMF - Fakulteta za matematiko in fiziko
Založnik: [T. Dolenc]
UDK: 004.8
COBISS: 206082819 Povezava se bo odprla v novem oknu
Št. ogledov: 34
Št. prenosov: 11
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Reccurent neural networks and their applications
Sekundarni povzetek: The thesis explores feedforward neural networks and recurrent neural networks (RNNs). It presents the fundamental characteristics and learning algorithms for both types of networks and introduces an additional method for representing the loss function gradient in RNNs. The work also includes a custom implementation of a feedforward neural network and the application of RNNs to the problem of forecasting electricity consumption. The results indicate that RNNs are suitable for short-term time series forecasting, although they face challenges such as exploding and vanishing gradients.
Sekundarne ključne besede: neural networks;feedforward neural networks;recurrent neural networks;time series forecasting;loss function gradient;chain rule;backpropagation;
Vrsta dela (COBISS): Delo diplomskega seminarja/zaključno seminarsko delo/naloga
Študijski program: 0
Komentar na gradivo: Univ. v Ljubljani, Fak. za matematiko in fiziko, Oddelek za matematiko, Finančna matematika - 1. stopnja
Strani: 27 str.
ID: 24870429