Please use this identifier to cite or link to this item:
http://dspace.lib.uom.gr/handle/2159/24925
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Ταμπούρης, Ευθύμιος | el |
dc.contributor.author | Παλιάρη, Θωμαή | el |
dc.date.accessioned | 2021-01-13T08:37:04Z | - |
dc.date.available | 2021-01-13T08:37:04Z | - |
dc.date.issued | 2020 | el |
dc.identifier.uri | http://dspace.lib.uom.gr/handle/2159/24925 | - |
dc.description | Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2020. | el |
dc.description.abstract | Σκοπός αυτής της εργασίας είναι η εκτενής μελέτη των χρονολογικών σειρών, καθώς και η παρουσίαση των εφαρμογών τους. Η παρούσα εργασία ολοκληρώνεται με την υλοποίηση των αλγορίθμων οι οποίοι ενδείκνυνται για την ανάλυση των δεδομένων μας. Η δημιουργία βάσεων δεδομένων που αφορούν δεδομένα μεγάλου όγκου είναι εν γένει αποτέλεσμα της ραγδαίας ανάπτυξης των τεχνολογιών και της επιστήμης των υπολογιστών. Ως εκ τούτου η δυνατότητα διαχείρισης των δεδομένων αυτών αποτελεί μείζονα ανάγκη με σκοπό την αξιοποίηση των δεδομένων αυτών. Μια από τις πλέον σπουδαίες χρήσεις των δεδομένων αυτών αποτελεί η εφαρμογή τους με σκοπό την διενέργεια προβλέψεων τιμών των μετοχών διαφόρων χρηματιστηρίων. Ένας από τους πιο ανώτερους αλγόριθμους στο επιστημονικό πεδίο της Μηχανικής Μάθησης είναι ο αλγόριθμους του ‘Τεχνητού Νευρωνικού Δικτύου’ και η χρήση του έχει επεκταθεί και εφαρμόζεται πλέον σε πληθώρα προβλημάτων. Μια μοντέρνα εφαρμογή είναι η υλοποίηση των χρονολογικών σειρών των προβλέψεών τους στις χρηματιστηριακές αγορές. Ο πρώτος σκοπός της παρούσας διπλωματικής είναι η ανάλυση των χρονολογικών σειρών και των μοντέλων τους προκειμένου να γίνει κατανοητή η σημασία της χρήσης τους. Γίνεται εκτενής μελέτη της αρχιτεκτονικής των Νευρωνικών Δικτύων, ακολουθεί ο τρόπος εκπαίδευσής τους, γίνεται χρήση 6 οικονομικών συνόλων δεδομένων, τα οποία εμπεριέχουν τιμές μετοχών με σκοπό την πρόβλεψη της μελλοντικής τιμής. Ο δεύτερος σκοπός της θέσης είναι να υλοποιηθούν δύο μοντέλα πρόβλεψης προκειμένου να γίνει σύγκριση και να γίνει προσπάθεια βελτιστοποίησης της ακρίβειας των παραγόμενων αποτελεσμάτων. Παρουσιάζεται η δημιουργία του μοντέλου ARIMA , ένα Βαθύ Νευρωνικό Δίκτυο υλοποιείται για την πρόβλεψη χρονοσειρών. Tέλος, αξίζει να σημειωθεί ότι η διενέργεια προβλέψεων αποτελούσε ανέκαθεν σημείο το οποίο αφορά πολλά πεδία: ένα τηλεφωνικό κέντρο κάθε εβδομάδα απαιτεί προβλέψεις για τον όγκο κλήσεων, μετεωρολογική πρόβλεψη του καιρού, η απόφαση για το αν θα κατασκευαστεί ένας άλλος σταθμός παραγωγής ενέργειας τα επόμενα πέντε χρόνια απαιτεί προβλέψεις μελλοντικής ζήτησης, η διαχείριση χαρτοφυλακίου επενδύσεων μετοχών χρειάζεται προβλέψεις για τα απαιτήσεις αποθεμάτων. Αυτό πρεσβεύει τον εκπαιδευτικό χαρακτήρα της εργασίας καθώς και την προσφορά της στον τομέα των προβλέψεων. | el |
dc.format.extent | 99 | el |
dc.language.iso | el | en |
dc.publisher | Πανεπιστήμιο Μακεδονίας | el |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | el |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
dc.subject | Χρονολογικές σειρές | el |
dc.subject | Βάσεις δεδομένων | el |
dc.subject | Μηχανική Μάθηση | el |
dc.subject | Νευρωνικά Δίκτυα | el |
dc.subject | Πρόβλεψη τιμών | el |
dc.subject | Μετοχές | el |
dc.subject | Χρηματιστήριο | el |
dc.subject | Γλώσσα python | el |
dc.title | Πληροφορικά συστήματα για την πρόβλεψη χρονοσειρών με χρήση βαθέων νευρωνικών δικτύων | el |
dc.type | Electronic Thesis or Dissertation | en |
dc.type | Text | en |
dc.contributor.department | Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα | el |
Appears in Collections: | ΔΠΜΣ Πληροφοριακά Συστήματα (M) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
PaliariThomaiMsc2020.pdf | Εργασία | 3.17 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License