portada Integration von python-basierten Vorhersagemodellen in ein Monitoring-Webdashboard (en Alemán)

Integration von python-basierten Vorhersagemodellen in ein Monitoring-Webdashboard (en Alemán)

Formato

Libro Físico

Autor

Sebastian Steindl

Editorial

Grin Verlag

Idioma

Alemán

N° páginas

128

Encuadernación

Tapa Blanda

Dimensiones

21x14.8x0.8 cm

Peso

0.18 kg.

ISBN13

9783346227010

Categorías

Redes y comunicaciones informáticas

Integration von python-basierten Vorhersagemodellen in ein Monitoring-Webdashboard (en Alemán)

Sebastian Steindl (Autor) · Grin Verlag · Tapa Blanda

Libro Nuevo Importado

Envío: 25 a 32 días háb.

$ 115.66$ 57.83

-50%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 57.83

Llega entre el 02 Oct y el 16 Oct a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Integration von python-basierten Vorhersagemodellen in ein Monitoring-Webdashboard (en Alemán)"

Bachelorarbeit aus dem Jahr 2020 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,0, Fachhochschule Amberg-Weiden, Sprache: Deutsch, Abstract: In dieser Arbeit sollte mittels Deep Learning ein Modell erstellt werden, mit dem sich die Auslastung eines Servers in einem Rechenzentrum vorhersagen lässt. Dafür sollte evaluiert werden, welche Modell-Architektur für diese Zeitreihenvorhersage am besten geeignet sind. Dafür wurde zunächst eine theoretische Untersuchung durchgeführt und anschlie end ein Vergleich der geeigneten Modell-Architekturen angestellt. Es stellte sich heraus, dass ein Convolutional Neural Network (CNN) mit einer Long Short Term Memory (LSTM) Schicht die besten Prognosen erzeugt. Es wurde untersucht, wie sich die Hauptkomponentenanalyse zur Dimensionsreduktion auf die Modelle auswirkt. Dies zeigte, dass die Effekte stark von der Architektur abhängen. Die System-Architektur einer Webanwendung wurde so erweitert, dass es möglich ist, neben der historischen Serverauslastung auch Prognosen anzuzeigen. Die Visualisierungen der aufgezeichneten Daten wurden um die Vorhersagen erweitert. Die Arbeit stellt schlie lich eine Möglichkeit dar, wie der Lebenszyklus des Prognosemodells in einem produktiven System mit stetiger Auslastungsmessung integriert werden kann.