Web aplikacija za trening i evaluaciju modela dubokog učenja koristeći različite skupove podataka

diplomski rad

• Naslov (engleski): A web application for training and evaluating deep learning models using different datasets
• Autor: Viktor Mirić
• Mentor: Tomislav Stipančić (mentor)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet strojarstva i brodogradnje; Zagreb
• Datum i država obrane: 2024-12-05, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Strojarstvo

Sažetak

Ovaj rad istražuje mogućnosti olakšavanja korištenja umjetne inteligencije i dubokog učenja, tehnologije koje sve više nalaze primjenu u različitim područjima. Motivacija ovog rada je razviti alat koji će korisnicima pružiti intuitivno sučelje za razvoj modela dubokog učenja bez potrebnog tehničkog znanja u toj domeni. Kao rješenje, razvijena je web aplikacija koja korisnicima omogućuje jednostavnu izradu i prilagodbu modela dubokog učenja. Sustav je implementiran korištenjem modernih tehnologija. Korisničko sučelje razvijeno je u programskom okviru Next.js, dok je pozadinska logika izrađena uz pomoć programskog okvira Flask. Aplikacija koristi PyTorch za treniranje neuronskih mreža, omogućujući korisnicima prilagodbu arhitekture mreže te vizualizaciju rezultata i performansi modela. Testiranje i evaluacija aplikacije provedena je na poznatom skupu podataka za klasifikaciju cvijeta perunike. Model je pokazao visoku preciznost, postigavši točnost predikcije od 100% na tesnom skupu podataka.

Sažetak (engleski)

This paper explores the possibilities of facilitating the use of artificial intelligence and deep learning, technologies that are increasingly being used in various fields. The motivation for this paper is to develop a tool that will provide users with intuitive interface for developing deep learning models without the need for technical knowledge in this domain. As a result, a web application was developed that allows users to easily create and customize deep learning models. The system is implemented using modern technologies. The user interface is developed in the Next.js framework, while the backend logic is built using the Flask framework. The application uses PyTorch to train neural networks, allowing users to customize the network architecture and visualize the results and performance of the model. The application testing and evaluation was conducted on a well-known dataset for iris flower classification. The model demonstrated high precision, achieving 100% prediction accuracy on a test dataset.

• Ključne riječi: Strojno učenje; duboko učenje; neuronske mreže; web aplikacije; Python; JavaScript; Next.js; Flask; PyTorch
• Ključne riječi (engleski): Machine learning; deep learning; neural networks; web applications; Python; JavaScript; Next.js; Flask; PyTorch
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:235:996895
• Studijski program: Naziv: Strojarstvo; smjerovi: Konstrukcijski smjer, Procesno-energetski smjer, Proizvodni smjer, Inženjersko modeliranje i računalne simulacije, Brodostrojarski smjer, Industrijsko inženjerstvo i menadžment, Inženjerstvo materijala, Mehanika i robotika, Autonomni sustavi i računalna inteligencija, Mehatronika i robotika; Smjer: Industrijsko inženjerstvo i menadžment; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: sveučilišni/a magistar/magistra inženjer/inženjerka strojarstva (univ. mag. ing. mech.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2024-12-01 14:34:53