prikaz prve stranice dokumenta Primjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica
  Download
PDF 740.15 KB
undergraduate thesis
Primjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica
2020. urn:nbn:hr:155:934002
Rihter, Frano
University of Dubrovnik
Department of Engineering and Technology

Cite this document

Rihter, F. (2020). Primjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica (Undergraduate thesis). Dubrovnik: University of Dubrovnik. Retrieved from https://urn.nsk.hr/urn:nbn:hr:155:934002

Rihter, Frano. "Primjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica." Undergraduate thesis, University of Dubrovnik, 2020. https://urn.nsk.hr/urn:nbn:hr:155:934002

Rihter, Frano. "Primjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica." Undergraduate thesis, University of Dubrovnik, 2020. https://urn.nsk.hr/urn:nbn:hr:155:934002

Rihter, F. (2020). 'Primjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica', Undergraduate thesis, University of Dubrovnik, accessed 12 July 2024, https://urn.nsk.hr/urn:nbn:hr:155:934002

Rihter F. Primjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica [Undergraduate thesis]. Dubrovnik: University of Dubrovnik; 2020 [cited 2024 July 12] Available at: https://urn.nsk.hr/urn:nbn:hr:155:934002

F. Rihter, "Primjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica", Undergraduate thesis, University of Dubrovnik, Dubrovnik, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:155:934002

Please login to the repository to save this object to your list.
Metadata
TitlePrimjena LTSM modela dubokog učenja za predviđanje kretanja cijena dionica
AuthorFrano Rihter
MentorMario Miličević (mentor)
Committee memberMario Miličević (predsjednik povjerenstva)
GranterUniversity of Dubrovnik
(Department of Engineering and Technology)
Dubrovnik
Defense date and country2020-09-28, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Data Processing
Abstract
Rad analizira mogućnosti primjene dubokog učenja na području vremenskih serija. Nakon teoretskog dijela u kojem su objašnjeni koncepti strojnog učenja i neuronskih mreža, prikazan je način rada LSTM algoritma. LSTM (Long short-term memory) algoritam je povratna neuralna mreža (RNN) koja, za razliku od unaprijednih mreža ima povratnu vezu. U praktičnom dijelu rada koriste se podaci cijene dionica Microsoft.corp u različitim vremenskim intervalima. Optimalni oblik modela se pokušava pronaći višestrukim testiranjem i različitim brojem prolaza kroz mrežu. Model je primijenjen koristeći programski jezik Python i TensorFlow biblioteku. LSTM model se pokazao dobar za kratkoročno predviđanje, a za bolje dugoročno predviđanje potrebno je modificirati mrežu.
Abstract (english)
Paper analyses possible use of deep learning for time series forecasting. Theoretical part explains concepts of machine learning and neural networks. Practical part uses LSTM (Long short-term memory) model, a type of Recurrent neural network algorithm with feedback connection. Model will be used to predict movement od Microsoft.corp stock prices, using Python programing language and TensorFlow library. More ideal state for the model will be found cycling thrughe network different number of times. In this paper LSTM model has shown useful for short-term predictions. For better long-term predictions model needs to be modified.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:155:934002
Study programmeTitle: Applied Computer Science / Information Management
Study programme type: university
Study level: undergraduate
Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2020-10-01 08:37:24