Matematické modelování a numerická simulace růstu krystalů
CFD modely komplexních procesů v průmyslu
Techniky procedurálního modelování v počítačové grafice
Hardwarová a softwarová řešení pro vysoce výkonné počítání
Využití metod hlubokého učení k automatickému obchodování na kryptoměnové burze
Kryptoměny mají do značné míry spekulativní povahu a obchodování s nimi není tolik ovlivněno vnějšími faktory, jako je to na burzách akcií. Kryptoměnové burzy nabízejí ruční zadávání příkazů přes webové rozhraní, avšak rozhodnutí nakoupit či prodat je jako sázení loterie. Kromě toho lze využít aplikační rozhraní (API) pro obchodování a s jeho pomocí vytvářet automaticky obchodující (ro)boty. Robot obvykle uplatňuje pevně naprogramovanou tzv. strategii, a obvykle prodělává. Není však možné díky odtrženosti kryptoměn od reálné ekonomiky vypozorovat v obchodování složitější vzory chování, které by umožnily predikovat budoucí vývoj a vyvinout výdělečnou strategii? A bylo by možné k tomu využít hluboké neuronové sítě (deep neural networks)? V rámci dané práce bychom se pokusili prozkoumat, zda je vůbec nějaká šance na úspěch. Ve hře je nejen návrh architektury neuronové sítě, ale také výběr vstupních dat, časového rámce pro jejich sběr, a především otázky, na kterou má neuronová síť odpovědět. Například existují sítě, které umí predikovat budoucí vývoj (tvar křivky) ceny na základě historických dat. Predikce tak obsahuje spoustu informace, ale její úspěšnost je nepatrná. Jde to udělat chytřeji? Práce nabízí příležitost porozumět metodám strojového učení a zejména fungování hlubokých neuronových sítí. Dále si student osvojí programátorské schopnosti a práci v Linuxu z uživatelské (překvapivě) i administrátorské stránky. Bonusem je náhled do fungování finančních trhů a samozřejmě vidina pohádkového zbohatnutí :) Veškeré analýzy lze provádět na historických i veřejně dostupných aktuálních datech. Literatura:[1] C. C. Aggarwal - Neural Networks and Deep Learning, Springer, 2018. [2] F. Chollet - Deep Learning with Python, Manning Publications Co., 2018. [3] G. Zaccone, R. Karim - Deep Learning with TensorFlow, Packt Publishing, 2018. [4] S. Pattanayak - Pro Deep Learning with TensorFlow, Apress, 2017. [5] K. Söze - Bitcoin and Cryptocurrency Technologies. Sabi Shepherd Ltd., 2019. |
Témata, která již nejsou nabízena:
Vizualizace a organizace dat se strukturou grafu
Ve smyslu teorie grafů se grafem rozumí množina vrcholů (bodů) pospojovaných hranami (dvouprvkovými množinami vrcholů). Tato datová struktura, případně doplněná o další vlastnosti, může reprezentovat široké spektrum reálných systémů, například silniční síť mezi městy, propojení počítačové sítě, vztahy mezi uživateli sociálních sítí typu Facebooku nebo závislosti mezi moduly softwarového projektu. Grafy lze různými způsoby zobrazit v rovině i v prostoru. Vhodná vizualizace grafu může zásadním způsobem pomoci při pochopení či organizaci systému, který je grafem reprezentován. Dodnes však neexistuje mnoho nástrojů pro vizualizaci grafových struktur, které by byly schopné zpracovat velké objemy vstupních dat (řádově tisíce i miliony vrcholů) a zároveň by poskytovaly uživateli dostatečně interaktivní prostředí. Uživatel musí být schopen pohodlně a efektivně volit způsob zobrazení tak, aby výsledná vizualizace vystihovala podstatné vlastnosti vstupních dat. Mělo by být možné např. zobrazit jen zvolenou podmnožinu zobrazených uzlů, seskupovat a vybírat uzly na základě jednoduchých i algoritmických kritérií, přidávat anotace k uzlům i hranám atp. Úkolem studenta by bylo začít vývoj aplikace s popsanými vlastnostmi. Důležitým aspektem před začátkem vývoje je výběr vhodných nástrojů pro implementaci (programovací jazyk, prostředí pro tvorbu GUI apod.) a rovněž rozumný návrh datových struktur, které budou schopny efektivně zpracovat data požadovaným způsobem. Návrh aplikace by měl být navíc dostatečně abstraktní, aby ji bylo možno použít pro co nejširší třídu vstupních dat.
Téma je vhodné pro studenty matematiky A i B se zálibou v programování.