Περιέχει : πίνακες, διαγράμματα, εικόνες, σχήματα.
Οι χρονοσειρές είναι ιστορικά δεδομένα που απαρτίζονται από διαδοχικές παρατηρήσεις μέσα σε ένα χρονικό διάστημα. Οι παρατηρήσεις γίνονται ανά σταθερό χρονικό βήμα και μπορούν να είναι ετήσιες, τριμηνιαίες, μηνιαίες, εβδομαδιαίες,
ημερήσιες κτλ.
Η εργασία αυτή αφορά στην εκπαίδευση αλγορίθμων μηχανικής μάθησης κι ανάπτυξη τεχνικών βαθιών νευρωνικών δικτύων για τη μοντελοποίηση και πρόβλεψη κάποιων γενικών χρονοσειρών. Αυτές οι χρονοσειρές θα προέρχονται από ανοικτές βάσεις δεδομένων με παρατηρήσεις κάποιων δεικτών οικονομικών/κοινωνικών φαινομένων για την πρόβλεψη της πορείας τους.
Θα πραγματοποιηθεί σύγκριση αλγορίθμων και προσπάθεια βελτιστοποίησης της παραγόμενης ακρίβειας αποτελεσμάτων.
Time series forecasting using learning algorithms and deep neural networks.
Time series are historical data composed of successive observations over a period of time. The observations are made in a fixed time step and can be annual, quarterly, monthly, weekly, daily etc.
This work concerns the training of machine learning algorithms and the development of deep neural network techniques, for the modeling and the prediction of some general time series. These time series will originate from several open databases including the observations of the selected indicators from economic/social phenomena in order to predict their direction, A comparison of the aforementioned algorithms will be made and an attempt for optimization of the produced accuracy of the final results will take place.
Πρόβλεψη χρονοσειρών με τη χρήση αλγόριθμων μάθησης και βαθιών νευρωνικών δικτύων.