Tóm tắt Luận án Tiến sĩ Toán học: Cải tiến phương pháp học máy trong chuỗi thời gian và ứng dụng

Tác giả: Nguyễn Quang Đạt

Lĩnh vực: Toán học

Nội dung tài liệu:

Luận án này tập trung nghiên cứu và đề xuất các mô hình học máy áp dụng cho bài toán dự báo chuỗi thời gian. Các mục tiêu chính bao gồm phân tích các chuỗi thời gian, xây dựng các mô hình dự báo phù hợp, và tối ưu hóa kết quả dự báo cho các khoảng thời gian khác nhau. Luận án cũng phân tích ưu nhược điểm của các mô hình học máy truyền thống và đề xuất các mô hình lai, đồng thời áp dụng các phương pháp học trực tuyến (online learning) cho chuỗi thời gian. Các phương pháp nghiên cứu bao gồm việc áp dụng các phương pháp truyền thống, phân tích ưu nhược điểm, đề xuất mô hình lai, và kiểm tra kết quả trên các bộ dữ liệu phù hợp. Ngoài ra, luận án còn đề cập đến các mô hình học trực tuyến như ARIMA, SARIMA, mạng nơ-ron nhân tạo (ANN), và mạng nơ-ron hồi quy (RNN), cùng với các biến thể của RNN như LSTM và GRU.

Mục lục chi tiết:

• Mở đầu
• Chương 1: Một số mô hình truyền thống trong chuỗi thời gian
  • 1.1 Autoregressive Integrated Moving Average Model – ARIMA
  • 1.2 Seasonal Autoregressive Integrated Moving Average – SARIMA
  • 1.3 Artificial neural network – ANN
  • 1.4 Recurrent neural network – RNN
• Chương 2: Mô hình học trực tuyến
  • 2.1 Phương pháp giảm gradient trực tuyến
  • 2.2 Phương pháp trực tuyến Newton step
  • 2.3 Các mô hình trực tuyến cho ARIMA và SARIMA
  • 2.4 Mô hình mạng thần kinh nhân tạo trực tuyến