prikaz prve stranice dokumenta PRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA
Pristup korisnicima matične ustanove
diplomski rad
PRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA
2023. urn:nbn:hr:155:388746
Jupek, Ante
Sveučilište u Dubrovniku
Fakultet elektrotehnike i primijenjenog računarstva

Citirajte ovaj rad

Jupek, A. (2023). PRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA (Diplomski rad). Dubrovnik: Sveučilište u Dubrovniku. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:155:388746

Jupek, Ante. "PRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA." Diplomski rad, Sveučilište u Dubrovniku, 2023. https://urn.nsk.hr/urn:nbn:hr:155:388746

Jupek, Ante. "PRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA." Diplomski rad, Sveučilište u Dubrovniku, 2023. https://urn.nsk.hr/urn:nbn:hr:155:388746

Jupek, A. (2023). 'PRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA', Diplomski rad, Sveučilište u Dubrovniku, citirano: 17.11.2024., https://urn.nsk.hr/urn:nbn:hr:155:388746

Jupek A. PRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA [Diplomski rad]. Dubrovnik: Sveučilište u Dubrovniku; 2023 [pristupljeno 17.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:155:388746

A. Jupek, "PRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA", Diplomski rad, Sveučilište u Dubrovniku, Dubrovnik, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:155:388746

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:155:388746
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPRIMJENA POVRATNIH NEURONSKIH MREŽA ZA OTKRIVANJE TEMELJNE STRUKTURE PROCESNIH MODELA
Naslov (engleski)RECURRENT NEURAL NETWORKS APPLICATION FOR DISCOVERING THE STRUCTURE OF PROCESS MODELS
AutorAnte Jupek
MentorIvona Zakarija (mentor)
Član povjerenstvaAdriana Lipovac Vrhovac (predsjednik povjerenstva)
Član povjerenstvaIvona Zakarija (član povjerenstva)
Član povjerenstvaIvan Grbavac (član povjerenstva)
Član povjerenstvaDinka Lale (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Dubrovniku
(Fakultet elektrotehnike i primijenjenog računarstva)
Dubrovnik
Datum i država obrane2023-07-07, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Procesno računarstvo
Sažetak
Ovaj diplomski rad usmjeren je na primjenu tehnika dubinske analize procesa i dubokog učenja za otkrivanje temeljne strukture procesnih modela. U radu se istražuju mogućnosti primjene povratnih neuronskih mreža (RNN), odnosno LSTM modela, za otkrivanje temeljne strukture procesnih modela iz dnevničkih podataka. Za modeliranje procesa korištene su notacije Petrijevih mreža i procesna stabla. Uspostavljen je studijski primjer na temelju dnevničkih podataka koji su dobiveni iz umjetno generiranih procesnih modela. Za izradu rješenja korištena je Python biblioteka PM4PY, alat Disco te razvojni okvir za evaluaciju modela dubokog učenja u kontekstu dubinske analize procesa. Posebna pozornost posvećena je analizi uvjeta i parametara kako bi se postigle bolje performanse modela. Također, provedena je i analiza utjecaja složenosti procesa na performanse modela. Optimizacijom parametara na temelju dobivenih uvida moguće je poboljšati učinkovitost učenja temeljne strukture procesa.
Sažetak (engleski)
This thesis addresses the application of process mining and deep learning techniques to discover the underlying structure of process models. The thesis explores the possibilities of applying recurrent neural networks (RNN) or LSTM models to discover the underlying structure of process models from event log data. Petri net notations and process trees were used for process modeling. A case study was created using log data derived from artificially generated process models. The Python library PM4PY, the tool Disco and the framework for evaluating deep learning models in the context of process mining were used to build the solution. Special attention is given to the analysis of the conditions and parameters in order to achieve a better performance of the model. Also, an analysis of the influence of the complexity of the process on the performance of the model has been performed. By optimizing the parameters based on the obtained knowledge, it is possible to improve the efficiency of learning the basic structure of the process.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:155:388746
Studijski programNaziv: Primijenjeno/poslovno računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. ing. comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-08-22 08:21:19