Variational autoencoder-ek alkalmazása idősorok generálására és előrejelzésére

Témavezető:	Varga László
	Citi Markets Quantitative Analysis és ELTE TTK, Valószínűségelméleti és Statisztika Tanszék
email:	laszlo.varga@ttk.elte.hu

Témavezetők

• Fáth Gábor (ELTE Fizikai Intézet)

Projekt leírás

A variational autoencoder-ek deep learning modellek, amelyek 2013-as megjelenésük óta egyre több alkalmazási területet hódítanak meg sikerrel. A Hallgató feladata a variational autoencoder modellcsalád megismerése és alkalmazása különféle pénzügyi idősorok generálására és előrejelzésére. A Python programnyelv pytorch könyvtára segítségével hatékonyan lehet ilyen modelleket betanítani és tesztelni.

Előfeltételek

• Szükséges nyelvtudás: angol
• Programozási ismeret: Python
• Szaktárgyi előismeret: gépi tanulás/neurális hálók, idősorelmélet alapok

Hivatkozások

• D. P. Kingma, M. Welling (2019): An Introduction to Variational Autoencoders. Foundations and Trends in Machine Learning
• A. Desai, C. Freeman, Z. Wang, I. Beaver (2021): Timevae: A variational auto-encoder for multivariate time series generation, arXiv
• H. I. Fawaz, G. Forestier, J. Weber, L. Idoumghar, and P.-A. Muller (2019): Deep learning for time series classification: a review, Data mining and knowledge discovery, Springer
• Pytorch guide: https://pytorch.org/tutorials/