Not stated in source 2019 Needs review

Performance evaluation of machine learning algorithms for time-series forecasting

Visit original source

Abstract

Στόχος των προβλέψεων είναι να είναι όσο το δυνατόν πιο εύστοχες και να ελαχιστοποιηθεί η απόκλισή τους από τις πραγματικές μελλοντικές τιμές που προσπαθούν να περιγράψουν. Έτσι, οι μέθοδοι πρόβλεψης συμβάλλουν στη σωστή και έγκαιρη λήψη αποφάσεων. Αν τα δεδομένα, που χρησιμοποιούμε στη διαδικασία της πρόβλεψης, είναι υψηλής ποιότητας μπορούμε να έχουμε ικανοποιητικά ακριβείς προβλέψεις. Η παρούσα διπλωματική εργασία έχει ως αντικείμενο τη μελέτη μεθόδων μηχανικής μάθησης στην πρόβλεψη μελλοντικών τιμών χρονολογικών σειρών. Αρχικά, γίνεται μία σύντομη εισαγωγή στις βασικές έννοιες της Μηχανικής Μάθησης. Στη συνέχεια, στο πλαίσιο της πειραματικής διαδικασίας χρησιμοποιούνται τα μοντέλα μάθησης και αξιολογούνται πλήρως τα αποτελέσματά τους στο πραγματικό πρόβλημα της πρόβλεψης των τιμών του πιο γνωστού και σημαντικού χρηματιστηριακού δείκτη, του Dow Jones (Dow Jones Industrial Average, DJIA), ο οποίος αποτελεί στοιχείο επιρροής των χρηματαγορών καθώς και των πολιτικών οικονομιών σε όλο των κόσμο. Για την υλοποίηση των μεθόδων χρησιμοποιήθηκε κώδικας από το API (Application Programming Interface) του Weka που είναι ένα ελεύθερο και ευρέως διαδεδομένο λογισμικό για μηχανική μάθηση.

Keywords

Not available

Specialisations

Similar theses