|
|
Extrémní učící se stroje pro předpovídání časových řad
Zmeškal, Jiří ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
Práce je zaměřena na možnost využití extrémních učících se strojů a sítí s ozvěnou stavu pro předpověď časových řad s možností akcelerace pomocí grafických procesorů. Takovéto předpovědi jsou v dnešní době každodenní součástí života naprosté většiny lidí, a to vzhledem k jejich využití v předpovědích počasí, vývoje finančního a akciového trhu, spotřeby energie a mnohých dalších věcí. Práce uvádí teoretický podklad extrémních učících se strojů a sítí s ozvěnou stavu, jejichž hlavní výhodou je náhodná volba většiny parametrů neuronové sítě a iterativního postupu dopočtu parametrů, programovací nástroje k jejich realizaci, jako je knihovna ND4J a CUDA toolkit, tvorbu vlastního programu, a nakonec i test doby zpracování a přesnosti.
|
|
|
Neuronové sítě s ozvěnou stavu pro předpověď vývoje finančních trhů
Pospíchal, Ondřej ; Mašek, Jan (oponent) ; Burget, Radim (vedoucí práce)
Tato práce se zabývá neuronovou sítí s ozvěnou stavu a urychlením jejího učení implementací na grafický procesor. V teoretické části práce jsou obecně uvedeny neuronové sítě a několik vybraných typů neuronových sítí, ze kterých vychází síť s ozvěnou stavu. Dále jsou uvedeny další algoritmy používané pro analýzu časových řad a v neposlední řadě byly také stručně popsány nástroje, které byly použity v praktické části práce. Praktická část popisuje tvorbu akcelerované varianty sítě s ozvěnou stavu. Následně je popsána tvorba vstupních datových souborů reálných finančních indexů, na kterých byla poté síť s ozvěnou stavu a ostatní algoritmy testovány. Analýzou této akcelerované varianty bylo zjištěno, že její rychlost učení nesplnila teoretická očekávaní. Akcelerovaná varianta pracuje pomaleji, avšak s větší přesností. Analýzou výsledků měření dalších algoritmů bylo zjištěno, že nejvyšších přesností dosahují řešení pracující na principu neuronových sítí.
|
|
|
Echo state networks and their application in time series prediction
Savčinský, Richard ; Mráz, František (vedoucí práce) ; Matzner, Filip (oponent)
Rekurentné neurónové siete (RNN) umožňujú modelovať dynamické systémy s premenlivou dĺžkou vstupu. Ich nevýhoda je v náročnom učení, teda ťažkom nastavovaní váh neurónov, ktoré sú v sieti spojené. Echo state siete (ESN) sú zvláštnym typom RNN, ktoré sa naopak dajú učiť relatívne jednoducho. Majú rezervoár neurónov, ktorých stav odráža históriu všetkých signálov v sieti, a preto je tento typ sietí vhodný na simuláciu a predikciu časových postupností. Dosia- hnutie maximálneho výkonu ESN vyžaduje veľmi precízne nastavenie a experi- mentovanie. Preto sme v tejto práci vytvorili nástroj pre konštruovanie a testova- nie takýchto sietí. Pre účely vyskúšania vytvoreného nástroja sme implementovali úlohu predpovedania vývoja časových radov. Konkrétne sme sa zamerali na pred- povedanie vývoja cien akcií, čo predstavuje veľmi neistú a pre presnú predpoveď veľmi náročnú oblasť. Výsledky našich experimentov sme porovnali s výsledkami iných nástrojov, a zistili sme, že náš nástroj dáva porovnateľné výsledky. 1
|
|
|
Echo state networks and their application in time series prediction
Savčinský, Richard ; Mráz, František (vedoucí práce) ; Matzner, Filip (oponent)
Rekurentné neurónové siete (RNN) umožňujú modelovať dynamické systémy s premenlivou dĺžkou vstupu. Ich nevýhoda je v náročnom učení, teda ťažkom nastavovaní váh neurónov, ktoré sú v sieti spojené. Echo state siete (ESN) sú zvláštnym typom RNN, ktoré sa naopak dajú učiť relatívne jednoducho. Majú rezervoár neurónov, ktorých stav odráža históriu všetkých signálov v sieti, a preto je tento typ sietí vhodný na simuláciu a predikciu časových postupností. Dosia- hnutie maximálneho výkonu ESN vyžaduje veľmi precízne nastavenie a experi- mentovanie. Preto sme v tejto práci vytvorili nástroj pre konštruovanie a testova- nie takýchto sietí. Pre účely vyskúšania vytvoreného nástroja sme implementovali úlohu predpovedania vývoja časových radov. Konkrétne sme sa zamerali na pred- povedanie vývoja cien akcií, čo predstavuje veľmi neistú a pre presnú predpoveď veľmi náročnú oblasť. Výsledky našich experimentov sme porovnali s výsledkami iných nástrojov, a zistili sme, že náš nástroj dáva porovnateľné výsledky.
|
|
|
Extrémní učící se stroje pro předpovídání časových řad
Zmeškal, Jiří ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
Práce je zaměřena na možnost využití extrémních učících se strojů a sítí s ozvěnou stavu pro předpověď časových řad s možností akcelerace pomocí grafických procesorů. Takovéto předpovědi jsou v dnešní době každodenní součástí života naprosté většiny lidí, a to vzhledem k jejich využití v předpovědích počasí, vývoje finančního a akciového trhu, spotřeby energie a mnohých dalších věcí. Práce uvádí teoretický podklad extrémních učících se strojů a sítí s ozvěnou stavu, jejichž hlavní výhodou je náhodná volba většiny parametrů neuronové sítě a iterativního postupu dopočtu parametrů, programovací nástroje k jejich realizaci, jako je knihovna ND4J a CUDA toolkit, tvorbu vlastního programu, a nakonec i test doby zpracování a přesnosti.
|
|
|
Neuronové sítě s ozvěnou stavu pro předpověď vývoje finančních trhů
Pospíchal, Ondřej ; Mašek, Jan (oponent) ; Burget, Radim (vedoucí práce)
Tato práce se zabývá neuronovou sítí s ozvěnou stavu a urychlením jejího učení implementací na grafický procesor. V teoretické části práce jsou obecně uvedeny neuronové sítě a několik vybraných typů neuronových sítí, ze kterých vychází síť s ozvěnou stavu. Dále jsou uvedeny další algoritmy používané pro analýzu časových řad a v neposlední řadě byly také stručně popsány nástroje, které byly použity v praktické části práce. Praktická část popisuje tvorbu akcelerované varianty sítě s ozvěnou stavu. Následně je popsána tvorba vstupních datových souborů reálných finančních indexů, na kterých byla poté síť s ozvěnou stavu a ostatní algoritmy testovány. Analýzou této akcelerované varianty bylo zjištěno, že její rychlost učení nesplnila teoretická očekávaní. Akcelerovaná varianta pracuje pomaleji, avšak s větší přesností. Analýzou výsledků měření dalších algoritmů bylo zjištěno, že nejvyšších přesností dosahují řešení pracující na principu neuronových sítí.
|
host ::
RSS.