Your browser does not support JavaScript!

Μεταπτυχιακές εργασίες ειδίκευσης

Εντολή Αναζήτησης : Συγγραφέας="Σ."  Και Συγγραφέας="Παπαιωάννου"

Τρέχουσα Εγγραφή: 8 από 145

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000450288
Τίτλος Comparative study of machine learning algorithms in economics's interest time series's data
Άλλος τίτλος Συγκριτική μελέτη αλγόριθμων μηχανικής μάθησης σε οικονομικού ενδιαφέροντος δεδομένα χρονολογικών σειρών
Συγγραφέας Αναγνωστάκης, Μιχαήλ
Σύμβουλος διατριβής Τσιώτας Γεώργιος
Μέλος κριτικής επιτροπής Τζίνιους Μαργαρίτα
Τσαγρής Μιχαήλ
Περίληψη Η παρούσα μεταπτυχιακή διατριβή διερευνά τα παρακάτω ερευνητικά ερωτήματα : 1. Είναι δυνατό να χρησιμοποιήσουμε τεχνικές μηχανικής μάθησης σε δεδομένα χρονολογικών σειρών ώστε να κάνουμε πρόβλεψη και πιο συγκεκριμένα τον ΚΝΝ αλγόριθμο ; 2. Ποια μεθοδολογία θα χρησιμοποιήσουμε και ποιος θα είναι ο αριθμός των k ; 3. Το αποτέλεσμα θα είναι αξιόπιστο, σε σύγκριση με άλλες οικονομετρικές τεχνικές ; Τα στατιστικά νευρωνικά δίκτυα βασίζονται σε στατιστικές μεθόδους και τη θεωρία πιθανοτήτων και είναι ένας πολύ δημοφιλής και σημαντικός τύπος νευρωνικού δικτύου. Οι τρεις κύριοι τύποι αυτών των δικτύων είναι τα RBFNNs, τα PNNs και τα GRNNs. Ο ΚΝΝ αλγόριθμος δεν μαθαίνει μια διακριτική λειτουργία από τα δεδομένα προς εκπαίδευση, αλλά αντί αυτού θυμάται τα προς εκπαίδευση δεδομένα. Στον ΚΝΝ δεν υπάρχει χρόνος εκπαίδευσης, ούτε φάση εκπαίδευσης. Ο ΚΝΝ αλγόριθμος θυμάται παραδείγματα εκπαίδευσης αντί να μπει στον κόπο να μοντελοποιήσει τα δεδομένα. Ο ΚΝΝ αποδίδει καλά όταν έχουμε πολλές περιπτώσεις (σημεία) και λίγες διαστάσεις. Ο ΚΝΝ ανήκει στα νευρωνικά δίκτυα παλινδρόμησης και πιο συγκεκριμένα στα δίκτυα μη παραμετρικής παλινδρόμησης και ταξινόμησης. Συχνά στην πραγματική ζωή τα φαινόμενα δεν μπορούν να μοντελοποιηθούν σε ικανοποιητικό βαθμό χρησιμοποιώντας γραμμικά μοντέλα. Έτσι χρειαζόμαστε τα μη γραμμικά μοντέλα. Βάση αυτού, εδώ το πρόβλημα είναι πως και τι μη γραμμική συνάρτηση να διαλέξουμε. Αυτή μπορεί να είναι γραμμική συνάρτηση, ημίτονα, συνημίτονα, αθροίσματα και άλλα. Έτσι ότι επιλέξουμε έχει ως συνέπεια να επηρεάζει το αποτέλεσμα της μοντελοποίησης. Σε πολλές περιπτώσεις δεν γνωρίζουμε πολλά για την υπόγεια φύση της διαδικασίας που πρόκειται να μοντελοποιηθεί, ή η μοντελοποίηση είναι δύσκολο να προσδιοριστεί με ακρίβεια. Δεν υπάρχουν πολλές επιλογές στη μηχανική μάθηση που χρησιμοποιούνται με ικανοποιητικά αποτελέσματα στη μοντελοποίηση για διάφορα προβλήματα. Αυτές οι μέθοδοι είναι η παλινδρόμηση ακτινωτής συνάρτησης, τα τεχνητά νευρωνικά δίκτυα και ο ΚΝΝ αλγόριθμος. Ο αλγόριθμος των Κ κοντινότερων γειτονικών παρατηρήσεων (ΚΝΝ) είναι μια μη γραμμική μέθοδος τεχνητής νοημοσύνης η οποία χρησιμοποιεί ένα παράδειγμα - μέτρο, ώστε να βρει τις Κ πιο σχετικές παρατηρήσεις στο σετ δεδομένων προς εκπαίδευση, για μια νέα παρατήρηση και παίρνει ως πρόβλεψη το μέσο αποτέλεσμα των γειτονικών παρατηρήσεων. Για να εφαρμόσουμε την ΚΝΝ παλινδρόμηση σε ένα μονομεταβλητό υπόδειγμα χρονολογικών σειρών, ώστε να κάνουμε πρόβλεψη, οι ερμηνευτικές μεταβλητές είναι μεταβλητές με υστέρηση των ερμηνευόμενων μεταβλητών ή μεταβλητών προς πρόβλεψη. Η κεντρική ιδέα ώστε να χρησιμοποιήσουμε τον ΚΝΝ για πρόβλεψη χρονολογικών σειρών, είναι ότι οποιαδήποτε χρονολογική σειρά περιλαμβάνει επαναλαμβανόμενα μοτίβα, δηλαδή μπορούμε να βρούμε προηγούμενα παρόμοια μοτίβα στην υπάρχουσα δομή των σειρών και να χρησιμοποιήσουμε τα μεταγενέστερα μοτίβα ώστε να προβλέψουμε τη μελλοντική συμπεριφορά.
Φυσική περιγραφή 56 σ. ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Forecasting
KNNregression
Machine learning
ΚΝΝ παλινδρόμηση
Μηχανική μάθηση
Προβλέψεις
Ημερομηνία έκδοσης 2022-06-20
Συλλογή   Σχολή/Τμήμα--Σχολή Κοινωνικών Επιστημών--Τμήμα Οικονομικών Επιστημών--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/8/3/b/metadata-dlib-1661851150-93872-10277.tkl Bookmark and Share
Εμφανίσεις 368

Ψηφιακά τεκμήρια
No preview available

Δεν έχετε δικαιώματα για να δείτε το έγγραφο.
Δεν θα είναι διαθέσιμο έως: 2025-07-25