haku: @instructor Lendasse, Amaury / yhteensä: 14
hakutulos-lista
viite: 1 / 14
« edellinen | seuraava »
Tekijä:Chistiakova, Tatiana
Työn nimi:The problem of time series analysis and incomlete data: Real-world applications
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2013
Sivut:53      Kieli:   eng
Koulu/Laitos/Osasto:Perustieteiden korkeakoulu
Oppiaine:Informaatiotekniikka   (T-115)
Valvoja:Simula, Olli
Ohjaaja:Lendasse, Amaury
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  8667   | Arkisto
Avainsanat:time series prediction
social networks
variable selection
forward-backward algorithm
missing values
water temperature data
imputations
ensemble of SOMs
EOF
mixture of gaussians
Tiivistelmä (eng): One of the characteristics of almost any data collection is the presence of outstanding series and missing values.
The risk to get the incomplete and hard processed data increases especially if the data is characterized with a large size or collected manually.
The presence of missing values in the data cannot be underestimated.
In addition to containing important information, missing values are often correlated with other values.
Furthermore, the predicted data allows analysing the data and performing future forecast on obtained results.
In case of data analysis, it is essential to study data properties carefully.
The data analysis occurs in every sphere, e.g. sociology, finance, environment, science, wherever there are issues to be studied and explored.

Social networks have been always a reach topic to explore.
Being highly dynamic objects, the issues require a deep and careful investigation.
Moreover, due to their properties, like a small number of samples and a high amount of variables at the same time, online data seeks for additional methods to highlight and uncover interesting parts.
The proposed methodology of a modified Forward-Backward algorithm aims to analyse social networks presented as time series data sets.

All the time, people study deeply burning issues, related to climate and economy.
Since these topics are of a particular interest, in the thesis, the imputations of missing values are performed on real-world data sets from climatology and financial areas.
The application shows the possible variety and importance of predicting the missing values.
There exist a large number of methods which allow imputing missing values.
A number of promising algorithms is investigated and compared due to data sets difference -The EOF, the Ensemble of SOMs and the Mixture of Gaussians.
ED:2013-08-07
INSSI tietueen numero: 47025
+ lisää koriin
« edellinen | seuraava »
INSSI