-
1Academic Journal
المؤلفون: S. V. Sholtanyuk, С. В. Шолтанюк
المصدر: Digital Transformation; № 2 (2019); 60-68 ; Цифровая трансформация; № 2 (2019); 60-68 ; 2524-2822 ; 2522-9613 ; 10.38086/2522-9613-2019-2
مصطلحات موضوعية: метод наименьших квадратов, training of neural network, hyperparameters, forecasting accuracy and stability, MAE, linear regression, autoregression, ordinary least squares, обучение нейронной сети, гиперпараметры, точность и устойчивость прогнозирования, линейная регрессия, авторегрессия
وصف الملف: application/pdf
Relation: https://dt.bsuir.by/jour/article/view/174/101; Чучуева, И. А. Модель прогнозирования временных рядов по выборке максимального подобия : дис. … канд. тех. наук : 05.13.18 / И. А. Чучуева; Московский государственный технический университет им. Н. Э. Баумана. – М., 2012. – 155 л.; Hornik, K. Multilayer feedforward networks are universal approximators / K. Hornik, M. Stinchcombe, H. White // Neural Networks – 1989. – Vol. 2, iss. 5. – Pp. 359–366.; Bengio, Y. Scaling learning algorithms towards AI / Y. Bengio, Y. LeCun // Large-Scale Kernel Machines / L. Bottou [et al.] – Cambridge, MA : MIT Press, 2007. – Pp. 323–362.; R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL: https://www.R-project.org/. – Date of access: 19.01.2019.; JJ Allaire and Francois Chollet (2018). keras: R Interface to 'Keras'. R package version 2.2.0. https://CRAN.R-project.org/package=keras. – Date of access: 19.01.2019.; Duchi, J. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization / J. Duchi, E. Hazan, Y. Singer // Journal of Machine Learning Research – 2011. – Vol. 12 – P. 2121–2159.; Ruder, S. An overview of gradient descent optimisation algorithms [Electronic resource] / S. Ruder // arXiv.org e-Print archive – Mode of access: https://arxiv.org/abs/1609.04747. – Date of access: 19.01.2019. – (Preprint / arXiv:1609.04747v2).; https://dt.bsuir.by/jour/article/view/174