Αποτελέσματα - Λεπτομέρειες
Εντολή Αναζήτησης : Συγγραφέας="Τζίνιους"
Και Συγγραφέας="Μαργαρίτα"
Τρέχουσα Εγγραφή: 3 από 9
|
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
|
Εμφανίσεις |
463 |