Supervizorované algoritmy strojového učení pro analýzu průmyslových dat

Abstract

Cílem a výstupem této práce je rešerše aktuálních úloh analýzy průmyslových dat a otestování čtyř vybraných metod supervizorovaných neuronových architektur pro aplikace na obvyklé úlohy během analýzy průmyslových dat jako je porovnání jejich schopností predikce časových řad, vytvoření modelu systému, klasifikace a detekce neobvyklých stavů. Práce se zabývá různými přístupy jednotlivých neuronových sítí vzhledem k datům, na které jsou aplikovány. V závěru práce jsou shrnuty možnosti pro vhodné aplikace jednotlivých neuronových architektur na průmyslová data.The aim and the output of this work is a review of current problems of analysis of industrial data and testing of four selected methods of supervised neural architectures for applications on common tasks during analysis of industrial data such as comparison of their time series prediction capabilities, creation of the system model, classification and detection of unusual states. The thesis deals with different approaches of individual neural networks with respect to the data on which they are applied. The conclusion summarizes the possibilities for suitable applications of individual neural architectures to industrial data.