REPOZITORIJ > REZULTATI

Povzetek

Doktorska disertacija predstavi novo optimizacijsko metodo, ki temelji na globokem učenju
in je oblikovana za podatkovne zbirke z visoko stopnjo šuma. Glavni znanstveni prispevek je
kombinacija pametnega odstranjevanja šuma za povratne nevronske mreže, ki preprečuje
težave s prekomernim prilagajanjem podatkom, ko ni na voljo dovolj učnih podatkov.
Metoda prispeva k boljši predstavitvi podatkov in napovedovanju ciljne spremenljivke.
Uspešnost metode je ovrednotena na dveh vrstah podatkov, in sicer finančnih in tekstovnih.
Finančni nabor podatkov je sestavljen iz več kot dveh tisoč delnic, ki zajemajo več
kot dvajset let zgodovine gibanja finančnih trgov, pri čemer vsak nabor podatkov predstavlja
unikaten stohastični proces. Pri tekstovnih podatkih je metoda ocenjena na oglasih za
delovna mesta, ki izvirajo iz šestnajstih različnih držav in več jezikov. Tekstovni podatki
vključujejo več kot pet let zgodovine.
Ocenjevanje prispekov disertacije je razdeljeno na tri dele: formalne definicije, statistično
analizo in vizualizacijo ter raziskovanje prostora parametrov. S tem se potrdi prispevek
metode k znanosti. Disertacija pomembno prispeva k področju globokega učenja,
zlasti na področju povratnih nevronskih mrež, z oblikovanjem nove metode, ki učinkovito
uporablja prefinjen pristop za obvladovanje šuma v nevronskih mrežah. Metoda se ne
spopada le z izzivi modeliranja stohastičnih procesov, ampak tudi odpira nove možnosti
za natančne napovedi pri različnih vrstah podatkov.