Systém pro automaticky optimalizovanou predikci časových řad neuronovými sítěmi

Patrik Zach

System for Automatically Optimized Time Series Prediction by Neural Networks

Type of document

diplomová práce
master thesis

Author

Patrik Zach

Supervisor

Bukovský Ivo

Opponent

Malý Vladimír

Field of study

bez oboru

Study program

Průmysl 4.0

Institutions assigning rank

ústav mechaniky, biomechaniky a mechatroniky

Rights

A 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.html
Vysokoškolská 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.html

Metadata

Show full item record

Abstract

Diplomová práce se zabývá vytvořením systému pro automatickou predikci časových řad. V teoretické části jsou představeny neuronové sítě, jejich historie, struktury, aktivační funkce a optimalizační algoritmy. Dále je představeno vývojové prostředí Django, v kterém je systém naprogramován. V části praktické jsou pak popsány vybrané funkce systému. Frontend webové aplikace je naprogramován pomocí jazyka HTML, CSS, JavaScript a backend webové aplikace pomocí Python. Jednotlivé struktury sítě jsou poté otestovány na umělých i reálných datasetech.

The master's thesis deals with the creation of a system for automatic prediction of time series. In the theoretical part, neural networks, their history, structures, activation functions and optimization algorithms are presented. The Django development environment in which the system is programmed is also presented. Selected functions of the system are then described in the practical part. The frontend of the web application is programmed using HTML, CSS, JavaScript, and the backend of the web application is programmed using Python. Individual network structures are then tested on artificial and real datasets.