Time-series prediction using chained variational autoencoders in spatial environments
Uzamsal ortamlarda zincirleme varyasyonel otokodlayıcılar kullanarak zaman serisi tahmini
- Tez No: 917239
- Danışmanlar: PROF. DR. ING. HABİL, PROF. DR. ALOİS CHRİSTİAN KNOLL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Technische Universität München
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 49
Özet
Otokodlayıcıların makine öğreniminde güçlü bir yöntem olduğu kanıtlanmıştır. Otokodlayıcılar tarafından sağlanan kısa ve öz latent uzay temsili, çok sayıda amaç için kullanılabilmektedir. Tekrarlayan sinir ağlarıyla birlikte uzay-zamansal ortamlarda kullanımları ümit verici sonuçlar vermiştir. Bilgi açısından zengin latent özellikler, tekrarlayan sinir ağlarını hafif bir şekilde kullanmak için gerekli hazırlığı sağlayabilmektedir. Genel olarak, bu tür mimarilerin büyük çoğunluğu denetimli öğrenme bakış açısı ile ele alınmıştır. Bu tez, otokodlayıcılar ile tekrarlayan sinir ağlarının ve Kalman filtrelerinin uçtan uca stokastisite ile denetimsiz öğrenme perspektifiyle kapsamlı bir kullanımını sunmaktadır. Tekniğimizi doğrulamak için trafik senaryosu veri setinden faydalanmış bulunmaktayız. Bu nedenle deneylerimizi otonom sürüş kapsamında gerçekleştirdik. Çabamız, yer değiştirme momentlerine göre uzay-zamansal ortamdaki değişiklikleri göz önünde bulundurarak altta yatan fiziği yakalama olasılığını göstermektir.
Özet (Çeviri)
Autoencoders have proven to be a powerful tool in machine learning. A succinct latent space representation provided by autoencoders can be used in numerous tasks. Together with recurrent neural networks, their use in spatio-temporal environments has shown promising results. Information-rich latent features make adequate preparation to utilize recurrent neural networks in a lightweight manner. In general, a great majority of such architectures have been investigated under the supervised learning setting. This thesis presents a comprehensive usage of autoencoders with recurrent neural networks and Kalman filters in an unsupervised manner with end-to-end stochasticity. In order to validate our technique, we benefited from a traffic scene dataset. Therefore, we run our experiments within the scope of autonomous driving. Our endeavor is to demonstrate the possibility of capturing underlying physics according to the changes in the given spatio-temporal environment with respect to the moments of displacement.
Benzer Tezler
- Kısıtlanmış Boltzmann makinesi ile zaman serilerinin tahmini
Time series prediction using restricted Boltzmann machine
MEHMET PEKMEZCİ
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ AKMAN
- Doğrusal olmayan zaman serilerinin yapay sinir ağları ile tahmini
Nonlinear time series prediction using artificial neural network
RAMAZAN CEVİZKIRAN
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. MUAAMMER GÖKBULUT
- Financial time series prediction using Kalman filters and hidden Markov models
Saklı Markov modelleri ve Kalman filtreleri kullanarak finansal zaman serisi tahmini
BURAK BAYRAMLI
Yüksek Lisans
İngilizce
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiSistem ve Kontrol Mühendisliği Ana Bilim Dalı
PROF. FİKRET GÜRGEN
- XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms
Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu
MELİS KÜÇÜK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Doğru yatırım kararları için yapay zekâ tekniklerini kullanarak borsa tahmininin kapsamlı analizi
Comprehensive analysis of stock market prediction using artificial intelligence techniques for accurate investment decisions
FARES ABDULHAFIDH DERHEM DAEL