<div class="csl-bib-body">
<div class="csl-entry">Čavić, B. (2018). <i>Reproduzierbarkeit von Deep Learning Datenanalysen</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2018.48203</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2018.48203
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/6978
-
dc.description.abstract
Deep Learning floriert in den letzten Jahren und wird dank der derzeit verfügbaren Rechenleistung von Computersystemen immer mehr eingesetzt. Große IT-Unternehmen wie Google oder Facebook nutzen Deep Learning Algorithmen in ihrem Tagesgeschäft. Daher ist die Reproduzierbarkeit von Forschungsarbeiten, die Deep Learning Algorithmen beinhalten, ein entscheidender Faktor. Diese Masterarbeit konzentriert sich auf die Analyse des Einflusses verschiedener Betriebssysteme sowie verschiedener Deep Learning Frameworks. Zu diesem Zweck wird das gleiche Deep Learning Modell in drei sehr populären Frameworks (TensorFlow, Theano und Deeplearning4J) erstellt und ausgeführt. Darüber hinaus werden verschiedene Versionen dieser Frameworks berücksichtigt, da einige von ihnen möglicherweise wichtige Methoden auf andere Weise implementieren. Danach wird das Modell auf sieben Betriebssystemversionen ausgeführt. Zusätzlich werden verschiedene Versionen der verwendeten Ausführungsplattform (Python und Java) berücksichtigt. Die erhaltenen Modellergebnisse werden analysieren und testen, ob die Ergebnisse durch den Ausführungskontext beeinflusst werden.
de
dc.description.abstract
Deep Learning is thriving in recent years and finding increasing deployment thanks to the currently available processing power of computer systems. Big IT companies like Google or Facebook use Deep Learning algorithms in their daily business. Therefore, the reproducibility of research based upon Deep Learning algorithms is a crucial factor. This master thesis will focus on analyzing the influence of different operating systems as well as different Deep Learning frameworks. For this purpose, the same Deep Learning model is constructed and executed in three very popular frameworks (TensorFlow, Theano and Deeplearning4J). Further, different versions of these frameworks are considered as maybe some of them may implement crucial methods in a different way. Afterwards, the model is executed on seven operating system versions. Additionally, different versions of the used execution platform (Python and Java) will be considered. Finally, this thesis focuses on analyzing all obtained model results and testing if the results are significantly different when changing the execution context.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Maschinelles Lernen
de
dc.subject
Neuronale Netze
de
dc.subject
Deep Learning
de
dc.subject
Reproduzierbarkeit
de
dc.subject
Machine Learning
en
dc.subject
Neural Networks
en
dc.subject
Deep Learning
en
dc.subject
Reproducibility
en
dc.title
Reproduzierbarkeit von Deep Learning Datenanalysen
en
dc.title.alternative
Reproducibility of Deep Learning Data Analyses
de
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2018.48203
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Bojan Čavić
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
tuw.publication.orgunit
E188 - Institut für Softwaretechnik und Interaktive Systeme