<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=95063"><dc:title>Globoke nevronske mreže in matrična faktorizacija</dc:title><dc:creator>Petelin,	Gašper	(Avtor)
	</dc:creator><dc:creator>Kononenko,	Igor	(Mentor)
	</dc:creator><dc:subject>globoke nevronske mreže</dc:subject><dc:subject>klasifikacijska točnost</dc:subject><dc:subject>matrična faktorizacija</dc:subject><dc:subject>analiza arhetipov</dc:subject><dc:subject>inicializacija uteži</dc:subject><dc:description>V diplomski nalogi preizkusimo novo metodo inicializacije uteži nevronskih mrež, kjer vhodno matriko podatkov faktoriziramo v več manjših matrik, v katerih je zgoščena predstavitev podatkov. Iz teh matrik zgradimo in naučimo več enonivojskih nevronskih mrež, ki preslikajo podatke iz ene zgoščene predstavitve, dobljene z faktorizacijo, v drugo predstavitev, na koncu pa dodamo še nevronsko mrežo, ki preslika podatke iz zadnje zgoščene predstavitve podatkov v pravilne razrede pri klasifikaciji oziroma v pravilno vrednost pri regresiji. Vse te naučene enonivojske mreže nato združimo v ciljno nevronsko mrežo in jo še dodatno učimo.
Ta postopek je običajno boljši pri inicializaciji globokih nevronskih mrež, kjer pri naključni inicializaciji pogosto prihaja do zelo počasnega učenja. Za delovanje in primerjavo inicializacije so uporabljeni podatki MNIST za klasifikacijo in Jester jokes za regresijo.</dc:description><dc:date>2017</dc:date><dc:date>2017-09-13 12:09:48</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>95063</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>