prikaz prve stranice dokumenta Prognoza vremenskih serija korištenjem programske knjižnice Scikit-learn
Rad nije dostupan
diplomski rad
Prognoza vremenskih serija korištenjem programske knjižnice Scikit-learn
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. urn:nbn:hr:168:765650
Bošnjak, Renato
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Bošnjak, R. (2019). Prognoza vremenskih serija korištenjem programske knjižnice Scikit-learn (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:765650

Bošnjak, Renato. "Prognoza vremenskih serija korištenjem programske knjižnice Scikit-learn." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:765650

Bošnjak, Renato. "Prognoza vremenskih serija korištenjem programske knjižnice Scikit-learn." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:765650

Bošnjak, R. (2019). 'Prognoza vremenskih serija korištenjem programske knjižnice Scikit-learn', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 17.06.2024., https://urn.nsk.hr/urn:nbn:hr:168:765650

Bošnjak R. Prognoza vremenskih serija korištenjem programske knjižnice Scikit-learn [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2019 [pristupljeno 17.06.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:765650

R. Bošnjak, "Prognoza vremenskih serija korištenjem programske knjižnice Scikit-learn", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:765650

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:765650
Podaci o radu
NaslovPrognoza vremenskih serija korištenjem programske knjižnice Scikit-learn
Naslov (engleski)Time Series Forecasting with Scikit-learn Programming Library
AutorRenato Bošnjak
MentorKrešimir Pripužić (mentor)
Član povjerenstvaKrešimir Pripužić (predsjednik povjerenstva)
Član povjerenstvaJurica Babić (član povjerenstva)
Član povjerenstvaMarin Vuković (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2019-07-12, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Buduće ponašanje vremenske serije moguće je predvidjeti prognoziranjem. Prije prognoziranja potrebno je provesti analizu vremenske serije koja uključuje njenu dekompoziciju te provjeru svojstva stacionarnosti koje se ispituje statističkim testovima. Prognoziranje je ostvarivo klasičnim statističkim metodama, kojima pripadaju stohastički modeli prognoziranja vremenskih serija temeljeni na autoregresijskim modelima te modelima pomičnih prosjeka ili nekim od regresijskih algoritama strojnog učenja, čija primjenjivost nije ograničena na područje vremenskih serija. Njima pripadaju linearni modeli regresije, regresija algoritmom najbližih susjeda te regresija potpornih vektora koji su opisani u radu. Efikasne implementacije algoritama strojnog učenja te često korištenih pomoćnih funkcionalnosti dostupne su u programskoj knjižnici otvorenog koda Scikit-learn. Na studijskom slučaju prognoziranja vodostaja rijeke Kupe pokazana je primjenjivost algoritama strojnog učenja za jednodnevne prognoze, dok su stohastički modeli rezultirali boljim višednevnim prognozama.
Sažetak (engleski)
Time series forecasting reduces uncertainty from the future behavior of the underlying process. Before making forecasts, it is necessary to perform time series analysis, which implies decomposition and stationarity analysis. Forecasting can be done with stochastic time series models, including autoregressive models, moving-average models and their combinations, as well as with machine learning regression algorithms, such as linear regression, nearest neighbor regression or support vector regression. The latter allows usage of Scikit-learn, an open source efficient machine learning programming library for data mining and data analysis which implements machine learning algorithms and commonly used machine learning techniques. The case study in water level forecasting showed the applicability of machine learning techniques for one-step forecasts, while stochastic models performed better on multi-step forecasts.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:765650
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2020-01-07 16:56:42