UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE
Franjevačka br. 2
Tuzla
O B J A V L J U J E
Amra Pirić, dipl. inž. el., javno će braniti završni magistarski rad pod naslovom: “Primjena modela dubokog učenja u poslovnoj praksi pomoću programskog jezika Python i okruženja za duboko učenje”, dana 24.02.2023. godine sa početkom u 12,00 sati u Multimedijalnoj sali Univerziteta u Tuzli, pred Komisijom u sastavu:
- Dr. sci. Naser Prljača, redovni profesor– predsjednik
Uža naučna oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli - Dr. sci. Amira Šerifović-Trbalić, vanredni profesor -mentor
Uža naučna oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli - Dr. sci. Damir Demirović, vanredni profesor -član
Uža naučna oblast Računarstvo i informatika
Fakultet elektrotehnike Univerziteta u Tuzli
Zamjenski član komisije dr. sci. Amila Dubravić, vanredni profesor za užu naučnu oblast Automatika i robotika na Fakultetu elektrotehnike Univerziteta u Tuzli.
Pristup javnosti je slobodan.
Završni magistarski rad se može pogledati u Sekretarijatu fakulteta svakim radnim danom od 09,00 do 15,00 sati.
REZIME RADA
U ovom radu je prikazana primjena metoda dubokog učenja u poslovnoj praksi. Inače su u poslovnoj praksi dostupne velike količine podataka, te analizom istih treba doći do određenih zaključaka i rješenja za date probleme. Analiza velike količine podataka predstavlja izuzetno složen zadatak za čovjeka, stoga se uvode metode kojima se nastoji oponašati ljudski um.
U prvom redu to su umjetne neuronske mreže, koje su se pokazale uspješne prilikom rješavanja
predikcijskih problema. Pored umjetnih neuronskih mreža, iz reda nadgledanih metoda dubokog učenja, analizirat će se konvolucijske neuronske mreže i rekurentne neuronske mreže. Konvolucijske mreže su se pokazale uspješne pri rješavanju klasifikacijskih problema, dok su rekurentne mreže svoju primjenu pronašle kod regresijskih i predikcijskih problema.
Iz reda nenadgledanih metoda dubokog učenja, pominju se samoorganizirajuće mape,Boltzmman-ova mašina te autoenkoder. Samoorganizirajuće mape se koriste za detekciju značajki, dok se Boltzmann-ova mašina i autoenkoder koriste pri preporuci sistema.
U prvom dijelu rada date su teoretske postavke navedenih metoda, dok je u drugom dijelu rada dato
praktično rješenje određenih problema vezanih za bankarstvo primjenom programskog jezika Python i okvira za duboko učenje kao što su Keras, Tensorflow i Theano.
U praktičnoj realizaciji modela dubokog učenja, na istom setu podataka kreirana su četiri modela dubokog učenja. Izvršena je detekcija moguće varalice na kreditnim karticama pomoću modela umjetne neuronske mreže, autoenkodera, Boltzmannove mašine i samoorganizirajuće mape, dok je pomoću modela rekurentne neuronske mreže izvršena predikcija cijena dionica na berzi.
