Оптимізація параметрів та структури гібридних мереж глибокого навчання та їх застосування в задачах прогнозування

Скорочена інформація про документ
dc.contributor.advisorЗайченко, Юрій Петрович
dc.contributor.authorКузьменко, Олексій Віталійович
dc.date.accessioned2023-04-13T13:45:59Z
dc.date.available2023-04-13T13:45:59Z
dc.date.issued2022
dc.description.abstractМагістерська дисертація: 102 с., 28 табл., 19 рис., 27 джерел, 3 додатки. Об’єктом дослідження є фінансові процеси на ринках цінних паперів та методи їх прогнозування. Предмет дослідження – гібридні мережі глибокого навчання на основі самоорганізації та оцінка їх ефективності в задачах прогнозування на фінансових ринках. Мета дослідження полягає в оцінці точності гібридних мереж глибокого навчання у задачі прогнозування на фінансових ринках, порівнянні їх ефективності на різних інтервалах з нейронною мережею LSTM та визначенні класів задач прогнозування, для яких застосування відповідних обчислювальних інтелектуальних технологій є найбільш перспективним. Запропоновано та розроблено систему для оптимізації параметрів і синтезу структури гібридних мереж глибокого навчання, а також візуалізації результатів навчання та прогнозування. Експериментальним шляхом доведено ефективність запропонованої системи.uk
dc.description.abstractotherMaster's thesis: 102 p., 28 tabl., 19 fig., 27 ref., 3 appendices. HYBRID DEEP LEARNING NETWORK, GMDH-NEO-FUZZY, OPTIMIZATION, STRUCTURE SYNTHESIS, LSTM, SHORT-TERM FORECASTING, MIDDLE-TERM FORECASTING, FINANCIAL MARKETS. The object of the research is financial processes in securities markets and methods of their forecasting. The subject of the research is hybrid deep learning networks based on self- organization and evaluation of their effectiveness in forecasting tasks in financial markets. The purpose of the study is to assess the accuracy of hybrid deep learning networks in the task of forecasting financial markets, compare their effectiveness at different intervals with the LSTM neural network, and determine the classes of forecasting tasks for which the application of appropriate computational intelligence technologies is the most promising. A system for parameter optimization and synthesis of the structure of hybrid deep learning networks, as well as visualization of learning and forecasting results, is proposed and developed. The effectiveness of the proposed system has been proven experimentally.uk
dc.format.extent106 с.uk
dc.identifier.citationКузьменко, О. В. Оптимізація параметрів та структури гібридних мереж глибокого навчання та їх застосування в задачах прогнозування : магістерська дис. : 122 Комп'ютерні науки / Кузьменко Олексій Віталійович. – Київ, 2022. – 106 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/54596
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectгібридна мережа глибокого навчанняuk
dc.subjectмгуа-нео-фазіuk
dc.subjectоптимізаціяuk
dc.subjectсинтез структуриuk
dc.subjectLSTMuk
dc.subjectкороткострокове прогнозуванняuk
dc.subjectсередньострокове прогнозуванняuk
dc.subjectфінансові ринкиuk
dc.subject.udc004.852uk
dc.titleОптимізація параметрів та структури гібридних мереж глибокого навчання та їх застосування в задачах прогнозуванняuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kuzmenko_magistr.pdf
Розмір:
1.64 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ШІ)
Магістерські роботи