Extreme learning machines for time series prediction

Práce je zaměřena na možnost využití extrémních učících se strojů a sítí s ozvěnou stavu pro předpověď časových řad s možností akcelerace pomocí grafických procesorů. Takovéto předpovědi jsou v dnešní době každodenní součástí života naprosté většiny lidí, a to vzhledem k jejich využití v předpovědích počasí, vývoje finančního a akciového trhu, spotřeby energie a mnohých dalších věcí. Práce uvádí teoretický podklad extrémních učících se strojů a sítí s ozvěnou stavu, jejichž hlavní výhodou je náhodná volba většiny parametrů neuronové sítě a iterativního postupu dopočtu parametrů, programovací nástroje k jejich realizaci, jako je knihovna ND4J a CUDA toolkit, tvorbu vlastního programu, a nakonec i test doby zpracování a přesnosti.Thesis is aimed at the possibility of utilization of extreme learning machines and echo state networks for time series forecasting with possibility of utilizing GPU acceleration. Such predictions are part of nearly everyone’s daily lives through utilization in weather forecasting, prediction of regular and stock market, power consumption predictions and many more. Thesis is meant to familiarize reader firstly with theoretical basis of extreme learning machines and echo state networks, taking advantage of randomly generating majority of neural networks parameters and avoiding iterative processes. Secondly thesis demonstrates use of programing tools, such as ND4J and CUDA toolkit, to create very own programs. Finally, prediction capability and convenience of GPU acceleration is tested.