Strojno učenje prepoznavanja rukopisne numeracije

undergraduate thesis

• Title (english): Handwritten digit recognition using machine learning
• Author: Marko Slota
• Mentor: Ivan Dunđer (mentor)
• Mentor: Sanja Seljan (sumentor)
• Committee member: Vjera Lopina (predsjednik povjerenstva)
• Committee member: Ivan Dunđer (član povjerenstva)
• Committee member: Sanja Seljan (član povjerenstva)
• Granter: University of Zagreb; University of Zagreb, Faculty of Humanities and Social Sciences; (Department of information and Communication sciences); Zagreb
• Defense date and country: 2020-09-18, Croatia
• Scientific / art field, discipline and subdiscipline: SOCIAL SCIENCES; Information and Communication Sciences

Abstract

Završni rad na temu strojnog učenja prepoznavanja rukopisne numeracije detaljno prikazuje podjelu algoritama zaduženih za strojno učenje na način da vrši uvid u same pristupe strojnom učenju i načine na koje se ti pristupi mogu koristiti kada dođe do problematike prepoznavanja ručno napisanih brojčanih znamenaka. Svi navedeni pristupi nadalje su razgranati kako bi se postigao jasan pregled najčešćih oblika klasifikatora zaduženih za istraživanja na ovu temu. Ovaj rad daje uvid u postotak točnosti i pogreške dobivenih na osnovu istraživanja vršenih za svaki pojedini algoritam koji se koristi u obliku sustava za klasifikaciju korištenih ulaznih podataka. Svi rezultati dobiveni testiranjem navedenih algoritama tablično su prikazani i detaljno objašnjeni. Također, vršen je i prikaz eventualnih problema koji se događaju pri stvaranju predikcija o kojoj se ručno napisanoj znamenci uistinu radi, kao i koja su eventualna rješenja za iste. U završnome dijelu rada prikazano je softwaresko rješenje ta temu ove problematike u obliku koda napisanog u programskom jeziku Python.

Abstract (english)

The final work on theme of handwritten digit recognition using machine learning shows in detail the division of machine learning algorithms by insight into the machine learning approaches and ways those approaches can be used in problems related to handwritten numbering. All of the above approaches are further explained in order to achieve a clear overview of the most common forms of classifiers in charge of research on this topic. This paper provides insight into the percentage of accuracy and error obtained based on the research performed for each individual algorithm it uses in the form of a system for classifying the input data used. All results obtained by testing this algorithm are tabulated and published in detail. Also, a presentation of possible problems that occur when creating a prediction about which handwritten digit is truly used, as well as possible solutions for the same. The final part of the paper presents a software solution on the topic in the form of code written in the Python programming language.

• Keywords: strojno učenje; rukopisna numeracija; algoritmi; klasifikatori
• Keywords (english): machine learning; handwritten numbering; algorithms; classifiers
• Language: croatian
• URN:NBN: urn:nbn:hr:131:837566
• Study programme: Title: Information Sciences; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/prvostupnica (baccalaureus/baccalaurea) informacijskih znanosti (sveučilišni/a prvostupnik/prvostupnica (baccalaureus/baccalaurea) informacijskih znanosti)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2020-09-20 19:36:55