Show simple item record

Time Series Classification with Artificial Neural Networks



dc.contributor.advisorBorovička Tomáš
dc.contributor.authorWaller Jakub
dc.date.accessioned2017-06-07T16:00:19Z
dc.date.available2017-06-07T16:00:19Z
dc.date.issued2017-05-09
dc.identifierKOS-587865233105
dc.identifier.urihttp://hdl.handle.net/10467/69634
dc.description.abstractMnoho různých architektur umělých neuronových sítí bylo navrženo, kupříkladu konvoluční neuronové sítě a long short-term memory neuronové sítě. Cílem této práce je aplikovat tyto sítě na klasifikaci časových řad. Po teoretickém popisu těchto architektur je navržena metoda pro jejich experimentální porovnání, a ta je následně implementována v Pythonu. Tato metoda zahrnuje automatickou optimalizaci hyperparametrů neuronových sítí. Popsané architektury jsou poté důkladně porovnány na třech benchmarkových datasetech. Toto porovnání ukazuje, že long short-term memory neuronové sítě dosahují na dvou ze tří datasetů lepších výsledků než konvoluční neuronové sítě.cze
dc.description.abstractVarious architectures of artificial neural networks have been developed such as convolutional neural networks and long short-term memory neural networks. The aim of this thesis is to apply these networks on the classification of time series. After a theoretical description of the architectures, an experimental procedure for their comparison is proposed and implemented in Python. The procedure includes automatic optimisation of neural network's hyperparameters. Based on this procedure, the architectures are thoroughly compared on three benchmark data sets. The comparison shows that long short-term memory neural networks achieve better results than convolutional neural networks on two of these data sets.eng
dc.language.isoENG
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectkonvoluční neuronové sítě, rekurentní neuronové sítě, long short-term memory neuronové sítě, hluboké učení, optimalizace hyperparametrů, grid search, random search, klasifikace časových řadcze
dc.subjectconvolutional neural networks, recurrent neural networks, long short-term memory neural networks, deep learning, hyperparameters optimisation, grid search, random search, time series classificationeng
dc.titleKlasifikace časových řad pomocí umělých neuronových sítícze
dc.titleTime Series Classification with Artificial Neural Networkseng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.date.accepted
dc.contributor.refereeVašata Daniel
theses.degree.disciplineZnalostní inženýrstvícze
theses.degree.grantorkatedra teoretické informatikycze
theses.degree.programmeInformatikacze


Files in this item




This item appears in the following Collection(s)

Show simple item record