Derin öğrenme ile zaman serilerinin gerçek zamanlı tahmini
| dc.authorid | Danışman: 139883 | en_US |
| dc.contributor.advisor | Çıbıkdiken, Ali Osman | |
| dc.contributor.author | Karakoyun, Ebru Şeyma | |
| dc.date.accessioned | 2020-09-14T12:28:36Z | |
| dc.date.available | 2020-09-14T12:28:36Z | |
| dc.date.issued | 2018 | en_US |
| dc.date.submitted | 2018-06-28 | |
| dc.department | NEÜ, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı | en_US |
| dc.description.abstract | Zaman serisinde, bir olay sırasında alınan ölçümler ardışık zaman dilimi içinde uygun bir sırada düzenlenmiş olarak bulunur. Zaman serileri; iletişim, sağlık, hava tahmini ve finans gibi birçok alanda kullanılmaktadır. Finansal veri içeren zaman serilerinin analizinde; istatiksel yaklaşım için ARIMA ve makine öğrenmesi yaklaşımı için Uzun-Kısa Süreli Hafıza derin öğrenme mimarisi kullanılmıştır. Tahmin modellemesi için adımlar önerilerek, bu adımlar hisse senedi ve Bitcoin fiyat tahminlemesinde uygulanmıştır. Tahminleme performans ölçülerine göre sonuçlar değerlendirilerek, Uzun-Kısa Süreli Hafıza derin öğrenme mimarisinin daha başarılı olduğu gözlemlenmiştir. Bu Uzun-Kısa Süreli Hafıza mimarisinin, zaman serilerinin tahmininde geleneksel istatistik yöntemlere göre daha uygun olduğunu göstermektedir. Ayrıca elde edilen derin öğrenme modeline dayanan bir anlık hisse senedi tahminleme web arayüzü geliştirilmiştir. | en_US |
| dc.description.abstract | In the time series, the measurements taken during an event are arranged in a suitable order within the consecutive time slot. Time series are used in communication, health, weather forecasting and finance. ARIMA for the statistical approach and LSTM deep learning architecture for the machine learning approach have been used in the analysis of time series containing financial data. By suggesting steps for forecasting modeling, these steps have been implemented in stock and Bitcoin price prediction. It has been observed that the LSTM deep learning architecture is more successful by evaluating the results according to the estimation performance measures. This shows that the LSTM architecture is more appropriate in predicting time series than traditional statistical methods. In addition, an instant stock forecasting web interface based on the acquired deep learning model has been developed. | en_US |
| dc.identifier.citation | Karakoyun, E. Ş. (2018). Derin öğrenme ile zaman serilerinin gerçek zamanlı tahmini. (Yayınlanmamış yüksek lisans tezi) Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12452/3803 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Zaman serisi | en_US |
| dc.subject | Derin öğrenme | en_US |
| dc.subject | Makine öğrenmesi | en_US |
| dc.subject | Uzun-kısa süreli hafıza | en_US |
| dc.subject | Time series | en_US |
| dc.subject | Prediction | en_US |
| dc.subject | Deep learning | en_US |
| dc.subject | Machine learning | en_US |
| dc.subject | Long-short term memory | en_US |
| dc.title | Derin öğrenme ile zaman serilerinin gerçek zamanlı tahmini | en_US |
| dc.title.alternative | Time series prediction in real time using deep learning | en_US |
| dc.type | Master Thesis | en_US |
