Machine learning model in time series
| Κύριοι συγγραφείς: | , |
|---|---|
| Μορφή: | Πτυχιακή εργασία |
| Γλώσσα: | English |
| Έκδοση: |
Α.Ε.Ι. Πειραιά Τ.Τ.
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5112 |
| _version_ | 1780524967616577536 |
|---|---|
| abstract | Machine learning is a significant part of human technology as it offers a wide range of applications daily, from internet search to talking robots. Time series forecasting is one of many applications that are provided and it has important role in many industries.Machine learningtime seriesforecastingis the main topic of thesis and it will be analyzed a specific approach. Currently, weather prediction as long as air pollution predictions are used extensively with great success. The big advantage of time sequence predictions is that many issues in the near future can be preventedby giving a short-termperiod for preparation before the issue occurs. Based on that argumentcan onesay that Particular Mater air pollution prediction is a very important achievement. The question we answer is how a machine learning model can respond to that needs and how accurate can it be. To achieve this statement, we worked with time series analysis practices as long as with machine learning libraries which are specialized for this type of predictions. The methodology is based on best practices according to documentation and the results of the model are analyzed in detail. |
| abstracttranslated | Η μηχανική μάθηση αποτελεί σημαντικό μέρος της ανθρώπινης τεχνολογίας, καθώς προσφέρει ένα ευρύ φάσμα εφαρμογών καθημερινά, από αναζήτηση στο διαδίκτυο έως και ρομπότ που μιλάνε. Η πρόβλεψη χρονοσειρών είναι μία από τις πολλές εφαρμογές που παρέχονται και έχει σημαντικό ρόλο σε πολλές βιομηχανίες. Η πρόβλεψη χρονοσειρών μηχανικής μάθησης είναιτο κύριο θέμα της διατριβής και θα αναλυθεί με συγκεκριμένη προσέγγιση. Επί του παρόντος, η πρόβλεψη για τον καιρό όσο οι προβλέψεις για την ατμοσφαιρική ρύπανση χρησιμοποιούνται εκτεταμένα με μεγάλη επιτυχία. Το μεγάλο πλεονέκτημα των προβλέψεων χρονικής αλληλουχίας είναι ότι πολλά ζητήματα στο εγγύς μέλλον μπορεί να αποφευχθούν δίνοντας ένα χρονικό διάστημα για την προετοιμασία πριν παρουσιαστεί το πρόβλημα. Βάσει αυτού του επιχειρήματος μπορούμε να πούμε ότι η πρόβλεψη για την ατμοσφαιρική ρύπανση των μικροσωματιδίων είναι ένα πολύ σημαντικό επίτευγμα. Το ερώτημα που απαντάμε είναι πώς ένα μοντέλο μηχανικής μάθησης μπορεί να ανταποκριθεί σε αυτές τις ανάγκες και πόσο ακριβής μπορεί να είναι. Για να επιτευχθεί, εργαστήκαμε με πρακτικές ανάλυσης χρονοσειρών, όσο με τις βιβλιοθήκες μηχανικής μάθησης που είναι εξειδικευμένες για αυτό το είδος προβλέψεων. Η μεθοδολογία βασίζεται στις βέλτιστες πρακτικές σύμφωνα με την βιβλιογραφία και αναλύονται λεπτομερώς τα αποτελέσματα του μοντέλου. |
| advisor | |
| author | Ταμβακίδης, Παναγιώτης Ισουφάι, Κλάιντι |
| author_facet | Ταμβακίδης, Παναγιώτης Ισουφάι, Κλάιντι |
| author_sort | Ταμβακίδης, Παναγιώτης |
| collection | Okeanis Institutional Repository |
| facultydepartment | Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστικών Συστημάτων Τ.Ε. |
| format | Πτυχιακή εργασία |
| id | okeanis-123456789-5112 |
| institution | University of West Attica Campus II |
| keyword | Μηχανική μάθηση Χρονοσειρές Πρόβλεψη χρονοσειρών |
| language | English |
| physical | 67 |
| publishDate | 2019 |
| publisher | Α.Ε.Ι. Πειραιά Τ.Τ. |
| record_format | dspace |
| spelling | okeanis-123456789-51122019-11-18T11:53:26Z Machine learning model in time series Μοντέλο μηχανικής μάθησης σε χρονοσειρές Ταμβακίδης, Παναγιώτης Ισουφάι, Κλάιντι Ζάχαρης, Νικόλαος Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστικών Συστημάτων Τ.Ε. TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) Μηχανική μάθηση Χρονοσειρές Πρόβλεψη χρονοσειρών Machine learning is a significant part of human technology as it offers a wide range of applications daily, from internet search to talking robots. Time series forecasting is one of many applications that are provided and it has important role in many industries.Machine learningtime seriesforecastingis the main topic of thesis and it will be analyzed a specific approach. Currently, weather prediction as long as air pollution predictions are used extensively with great success. The big advantage of time sequence predictions is that many issues in the near future can be preventedby giving a short-termperiod for preparation before the issue occurs. Based on that argumentcan onesay that Particular Mater air pollution prediction is a very important achievement. The question we answer is how a machine learning model can respond to that needs and how accurate can it be. To achieve this statement, we worked with time series analysis practices as long as with machine learning libraries which are specialized for this type of predictions. The methodology is based on best practices according to documentation and the results of the model are analyzed in detail. Η μηχανική μάθηση αποτελεί σημαντικό μέρος της ανθρώπινης τεχνολογίας, καθώς προσφέρει ένα ευρύ φάσμα εφαρμογών καθημερινά, από αναζήτηση στο διαδίκτυο έως και ρομπότ που μιλάνε. Η πρόβλεψη χρονοσειρών είναι μία από τις πολλές εφαρμογές που παρέχονται και έχει σημαντικό ρόλο σε πολλές βιομηχανίες. Η πρόβλεψη χρονοσειρών μηχανικής μάθησης είναιτο κύριο θέμα της διατριβής και θα αναλυθεί με συγκεκριμένη προσέγγιση. Επί του παρόντος, η πρόβλεψη για τον καιρό όσο οι προβλέψεις για την ατμοσφαιρική ρύπανση χρησιμοποιούνται εκτεταμένα με μεγάλη επιτυχία. Το μεγάλο πλεονέκτημα των προβλέψεων χρονικής αλληλουχίας είναι ότι πολλά ζητήματα στο εγγύς μέλλον μπορεί να αποφευχθούν δίνοντας ένα χρονικό διάστημα για την προετοιμασία πριν παρουσιαστεί το πρόβλημα. Βάσει αυτού του επιχειρήματος μπορούμε να πούμε ότι η πρόβλεψη για την ατμοσφαιρική ρύπανση των μικροσωματιδίων είναι ένα πολύ σημαντικό επίτευγμα. Το ερώτημα που απαντάμε είναι πώς ένα μοντέλο μηχανικής μάθησης μπορεί να ανταποκριθεί σε αυτές τις ανάγκες και πόσο ακριβής μπορεί να είναι. Για να επιτευχθεί, εργαστήκαμε με πρακτικές ανάλυσης χρονοσειρών, όσο με τις βιβλιοθήκες μηχανικής μάθησης που είναι εξειδικευμένες για αυτό το είδος προβλέψεων. Η μεθοδολογία βασίζεται στις βέλτιστες πρακτικές σύμφωνα με την βιβλιογραφία και αναλύονται λεπτομερώς τα αποτελέσματα του μοντέλου. 2019-06-25 Πτυχιακή εργασία http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5112 en http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Α.Ε.Ι. Πειραιά Τ.Τ. 67 http://okeanis.lib2.uniwa.gr/xmlui/bitstream/123456789/5112/4/%ce%a0%cf%84%cf%85%cf%87%ce%b9%ce%b1%ce%ba%ce%b7-%ce%a4%ce%b1%ce%bc%ce%b2%ce%b1%ce%ba%ce%b9%ce%b4%ce%b7%cf%82-%ce%99%cf%83%ce%bf%cf%85%cf%86%ce%b1%ce%b9.pdf.jpg |
| spellingShingle | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) Ταμβακίδης, Παναγιώτης Ισουφάι, Κλάιντι Machine learning model in time series |
| title | Machine learning model in time series |
| title_full | Machine learning model in time series |
| title_fullStr | Machine learning model in time series |
| title_full_unstemmed | Machine learning model in time series |
| title_short | Machine learning model in time series |
| title_sort | machine learning model in time series |
| title_translated | Μοντέλο μηχανικής μάθησης σε χρονοσειρές |
| topic | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) |
| url | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5112 |