Νευρωνικά δίκτυα και εφαρμογές

Η παρούσα εργασία πραγματεύεται τα δύο είδη μοντέλων πρόβλεψης που αναφέρθηκαν παραπάνω, δηλαδή των τεχνητών νευρωνικών δικτύων και των στατιστικών μοντέλων (ARMA, ARIMA, SARIMA), ενώ υλοποιείται μια εφαρμογή με σκοπό την δημιουργία προβλέψεων με βάση τα παραπάνω μοντέλα πρόβλεψης. Πιο συγκεκριμένα,...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Πήτας, Δημήτριος
Άλλοι συγγραφείς:	Ξανθόπουλος, Στυλιανός
Γλώσσα:	el_GR
Δημοσίευση:	2021
Θέματα:	artificial neural networks statistical models time series predictions νευρωνικά δίκτυα στατιστικά μοντέλα προβλέψεις χρονοσειρών Neural networks (Computer science) Time-series analysis
Διαθέσιμο Online:	http://hdl.handle.net/11610/21484
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!

_version_	1828462254863941632
author	Πήτας, Δημήτριος
author2	Ξανθόπουλος, Στυλιανός
author_facet	Ξανθόπουλος, Στυλιανός Πήτας, Δημήτριος
author_sort	Πήτας, Δημήτριος
collection	DSpace
description	Η παρούσα εργασία πραγματεύεται τα δύο είδη μοντέλων πρόβλεψης που αναφέρθηκαν παραπάνω, δηλαδή των τεχνητών νευρωνικών δικτύων και των στατιστικών μοντέλων (ARMA, ARIMA, SARIMA), ενώ υλοποιείται μια εφαρμογή με σκοπό την δημιουργία προβλέψεων με βάση τα παραπάνω μοντέλα πρόβλεψης. Πιο συγκεκριμένα, στο δεύτερο κεφάλαιο παρατίθεται μια ιστορική αναδρομή των τεχνητών νευρωνικών δικτύων. Επιπρόσθετα, περιγράφεται η ιδέα, η δομή, η λειτουργία και οι αρχιτεκτονικές των τεχνητών νευρωνικών δικτύων, ενώ δίνεται ιδιαίτερη βάση στο μοντέλο του απλού αισθητήρα (Perceptron). Επίσης, παρουσιάζεται ο αλγόριθμος εκπαίδευσης του μοντέλου του αισθητήρα και τα πολυεπίπεδα δίκτυα Perceptron. Στο τρίτο κεφάλαιο περιγράφεται η έννοια της χρονοσειράς και τα βασικά χαρακτηριστικά της, ενώ αναλύονται τα στατιστικά μοντέλα ARMA, ARIMA, SARIMA και οι τρόποι επιλογής του καταλληλότερου μοντέλου για κάθε σειρά δεδομένων. Τέλος, στο τέταρτο κεφάλαιο σκιαγραφείται η ιδέα της εφαρμογής, σύμφωνα με την οποία σκοπός της εφαρμογής είναι να πραγματοποιηθούν προβλέψεις για επιλεγμένα σύνολα δεδομένων. Για τις προβλέψεις αυτές χρησιμοποιήθηκαν τέσσερα διαφορετικά σύνολα δεδομένων, όπου στο κάθε σύνολο δεδομένων εφαρμόσθηκε ένα από τα μοντέλα πρόβλεψης που πραγματεύεται η εργασία, δηλαδή των τεχνητών νευρωνικών δικτύων και των τριών στατιστικών μοντέλων. Το τεχνητό νευρωνικό δίκτυο που επιλέχθηκε για την δημιουργία προβλέψεων είναι το πολυεπίπεδο δίκτυο του αισθητήρα. Κλείνοντας το κεφάλαιο παρουσιάζεται ο κώδικας που χρησιμοποιήθηκε για την υλοποίηση της εφαρμογής.
id	oai:hellanicus.lib.aegean.gr:11610-21484
institution	Hellanicus
language	el_GR
publishDate	2021
record_format	dspace
spelling	oai:hellanicus.lib.aegean.gr:11610-214842021-02-15T13:59:13Z Νευρωνικά δίκτυα και εφαρμογές Εφαρμογή Τεχνητών Νευρωνικών Δικτύων και Στατιστικών Μοντέλων στην Πρόβλεψη Χρονοσειρών Πήτας, Δημήτριος Ξανθόπουλος, Στυλιανός Στατιστική και Αναλογιστικά - Χρηματοοικονομικά Μαθηματικά artificial neural networks statistical models time series predictions νευρωνικά δίκτυα στατιστικά μοντέλα προβλέψεις χρονοσειρών Neural networks (Computer science) Time-series analysis Η παρούσα εργασία πραγματεύεται τα δύο είδη μοντέλων πρόβλεψης που αναφέρθηκαν παραπάνω, δηλαδή των τεχνητών νευρωνικών δικτύων και των στατιστικών μοντέλων (ARMA, ARIMA, SARIMA), ενώ υλοποιείται μια εφαρμογή με σκοπό την δημιουργία προβλέψεων με βάση τα παραπάνω μοντέλα πρόβλεψης. Πιο συγκεκριμένα, στο δεύτερο κεφάλαιο παρατίθεται μια ιστορική αναδρομή των τεχνητών νευρωνικών δικτύων. Επιπρόσθετα, περιγράφεται η ιδέα, η δομή, η λειτουργία και οι αρχιτεκτονικές των τεχνητών νευρωνικών δικτύων, ενώ δίνεται ιδιαίτερη βάση στο μοντέλο του απλού αισθητήρα (Perceptron). Επίσης, παρουσιάζεται ο αλγόριθμος εκπαίδευσης του μοντέλου του αισθητήρα και τα πολυεπίπεδα δίκτυα Perceptron. Στο τρίτο κεφάλαιο περιγράφεται η έννοια της χρονοσειράς και τα βασικά χαρακτηριστικά της, ενώ αναλύονται τα στατιστικά μοντέλα ARMA, ARIMA, SARIMA και οι τρόποι επιλογής του καταλληλότερου μοντέλου για κάθε σειρά δεδομένων. Τέλος, στο τέταρτο κεφάλαιο σκιαγραφείται η ιδέα της εφαρμογής, σύμφωνα με την οποία σκοπός της εφαρμογής είναι να πραγματοποιηθούν προβλέψεις για επιλεγμένα σύνολα δεδομένων. Για τις προβλέψεις αυτές χρησιμοποιήθηκαν τέσσερα διαφορετικά σύνολα δεδομένων, όπου στο κάθε σύνολο δεδομένων εφαρμόσθηκε ένα από τα μοντέλα πρόβλεψης που πραγματεύεται η εργασία, δηλαδή των τεχνητών νευρωνικών δικτύων και των τριών στατιστικών μοντέλων. Το τεχνητό νευρωνικό δίκτυο που επιλέχθηκε για την δημιουργία προβλέψεων είναι το πολυεπίπεδο δίκτυο του αισθητήρα. Κλείνοντας το κεφάλαιο παρουσιάζεται ο κώδικας που χρησιμοποιήθηκε για την υλοποίηση της εφαρμογής. 2021-02-10T13:32:13Z 2021-02-10T13:32:13Z 2020-10-06 http://hdl.handle.net/11610/21484 el_GR Attribution-NoDerivatives 4.0 Διεθνές http://creativecommons.org/licenses/by-nd/4.0/ 52 σ. application/pdf Σάμος
spellingShingle	artificial neural networks statistical models time series predictions νευρωνικά δίκτυα στατιστικά μοντέλα προβλέψεις χρονοσειρών Neural networks (Computer science) Time-series analysis Πήτας, Δημήτριος Νευρωνικά δίκτυα και εφαρμογές
title	Νευρωνικά δίκτυα και εφαρμογές
title_full	Νευρωνικά δίκτυα και εφαρμογές
title_fullStr	Νευρωνικά δίκτυα και εφαρμογές
title_full_unstemmed	Νευρωνικά δίκτυα και εφαρμογές
title_short	Νευρωνικά δίκτυα και εφαρμογές
title_sort	νευρωνικά δίκτυα και εφαρμογές
topic	artificial neural networks statistical models time series predictions νευρωνικά δίκτυα στατιστικά μοντέλα προβλέψεις χρονοσειρών Neural networks (Computer science) Time-series analysis
url	http://hdl.handle.net/11610/21484
work_keys_str_mv	AT pētasdēmētrios neurōnikadiktyakaiepharmoges AT pētasdēmētrios epharmogētechnētōnneurōnikōndiktyōnkaistatistikōnmontelōnstēnproblepsēchronoseirōn

Νευρωνικά δίκτυα και εφαρμογές

Παρόμοια τεκμήρια