Extrémní učící se stroje pro předpovídání časových řad
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
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.
Thesis is aimed at the possibility of utilization of extreme learning machines and echo state networks for time series forecasting with possibility of utilizing GPU acceleration. Such predictions are part of nearly everyone’s daily lives through utilization in weather forecasting, prediction of regular and stock market, power consumption predictions and many more. Thesis is meant to familiarize reader firstly with theoretical basis of extreme learning machines and echo state networks, taking advantage of randomly generating majority of neural networks parameters and avoiding iterative processes. Secondly thesis demonstrates use of programing tools, such as ND4J and CUDA toolkit, to create very own programs. Finally, prediction capability and convenience of GPU acceleration is tested.
Thesis is aimed at the possibility of utilization of extreme learning machines and echo state networks for time series forecasting with possibility of utilizing GPU acceleration. Such predictions are part of nearly everyone’s daily lives through utilization in weather forecasting, prediction of regular and stock market, power consumption predictions and many more. Thesis is meant to familiarize reader firstly with theoretical basis of extreme learning machines and echo state networks, taking advantage of randomly generating majority of neural networks parameters and avoiding iterative processes. Secondly thesis demonstrates use of programing tools, such as ND4J and CUDA toolkit, to create very own programs. Finally, prediction capability and convenience of GPU acceleration is tested.
Description
Citation
ZMEŠKAL, J. Extrémní učící se stroje pro předpovídání časových řad [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Telekomunikační a informační technika
Comittee
prof. Ing. Vladimír Wieser, Ph.D. (předseda)
doc. Ing. Karel Burda, CSc. (místopředseda)
doc. Mgr. Pavel Rajmic, Ph.D. (člen)
Ing. Michal Lares, Ph.D. (člen)
doc. Ing. Vít Novotný, Ph.D. (člen)
Ing. Pavel Bezpalec, Ph.D. (člen)
Date of acceptance
2018-06-06
Defence
Proč je chyba odhadu ELM rozdílná pro implementace na GPU a CPU za použití stejných dat? - student odpověděl správně
Je možné použít jiný způsob inicializace parametrů skrytých vrstev, které zůstavají neměnné počas trénovaní, jako náhodnou inicializaci? Je to v praxi takhle použitelné? - student odpověděl správně
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení