Участник:A m0r0z0v

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Весна 2018)
(Отчеты о научно-исследовательской работе)
Строка 10: Строка 10:
== Отчеты о научно-исследовательской работе ==
== Отчеты о научно-исследовательской работе ==
 +
=== Осень 2017===
 +
'''Исследование свойств функции обоснованности в линейных моделях зависимости данных'''
 +
''Разработка алгоритмов максимизации функции обоснованности обобщенных линейных моделях данных''
 +
=== Весна 2017===
 +
'''Исследование метода максимального правдоподобия для выбора значений гиперпараметров в моделях зависимости данных'''
 +
 +
''Разработка алгоритмов максимизации функции правдоподобия обобщенных линейных и нелинейных моделях данных''
 +
=== Осень 2017===
 +
'''Верификация моделей нестационарных зависимостей'''
 +
 +
''Разработка алгоритмов скользящего контроля для регрессионных моделей с ограничениями.''
=== Весна 2018===
=== Весна 2018===
'''Идентификации модели нестационарного портфеля по временному ряду его доходностей и большому массиву доходностей биржевых активов'''
'''Идентификации модели нестационарного портфеля по временному ряду его доходностей и большому массиву доходностей биржевых активов'''

Версия 08:42, 22 мая 2019

Морозов Алексей Олегович

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

ao.morozov@phystech.edu

Содержание

Отчеты о научно-исследовательской работе

Осень 2017

Исследование свойств функции обоснованности в линейных моделях зависимости данных

Разработка алгоритмов максимизации функции обоснованности обобщенных линейных моделях данных

Весна 2017

Исследование метода максимального правдоподобия для выбора значений гиперпараметров в моделях зависимости данных

Разработка алгоритмов максимизации функции правдоподобия обобщенных линейных и нелинейных моделях данных

Осень 2017

Верификация моделей нестационарных зависимостей

Разработка алгоритмов скользящего контроля для регрессионных моделей с ограничениями.

Весна 2018

Идентификации модели нестационарного портфеля по временному ряду его доходностей и большому массиву доходностей биржевых активов

Разработаны алгоритмы регуляризации моделей инвестиционных портфелей по принципу минимума риска разорения. Принята к печати научная статья в журнале Springer.

Доклад на научной конференции

  • O. Krasotkina, V. Mottl, A. Morozov, D. Babichev, I. Pugach, M. Markov Constrained Regularized Regression Model Search in Large Sets of Regressors // Machine Learning and Data Mining in Pattern Recognition. MLDM 2018. Lecture Notes in Computer Science, vol 10935. Springer, Cham. — 2018. — С. 394--408.

DOI: https://doi.org/10.1007/978-3-319-96133-0_30

ISBN: 978-3-319-96133-0

Ссылка на статью

Осень 2018

Алгоритмическая реализация методологии оценивания состава инвестиционных портфелей

Обеспечена линейная вычислительная сложность алгоритма поиска состава портфеля в очень большом множестве всех биржевых активов, в то время, как сложность по относительно небольшому числу наблюдений остается полиномиальной.

Доклад на научной конференции

  • Моттль В. В., Морозов А. О., Красоткина О. В., Медведев А. В. Алгоритмическая реализация методологии оценивания состава инвестиционных портфелей // Интеллектуализация обработки информации (ИОИ-2018): Тезисы докл.— Москва: Торус Пресс, 2018. С. 104–105..

Презентация

  • Моттль В. В., Морозов А. О., Красоткина О. В. Оценивание состава инвестиционного портфеля в большом множестве биржевых активов // Интеллектуализация обработки информации (ИОИ-2018): Тезисы докл.— Москва: Торус Пресс, 2018. С. 100–101..

Презентация

Доклад на научной конференции

  • Морозов А. О., Моттль В. В. Алгоритмическая реализация методологии оценивания состава инвестиционных портфелей // 61-я Всероссийская научная конференция МФТИ: Труды, Прикладная математика и информатика — МФТИ, 2018. С. 116–118..

Тезисы

Весна 2019

Алгоритмическая реализация восстановления зависимостей произвольного вида в больших массивах данных

Исследован класс обобщенных линейных моделей зависимостей, включающий модели числовой регрессии и двухклассового распознавания образов в типичной для практики ситуации, когда вектор признаков объектов имеет очень большую размерность, а число объектов в обучающей совокупности относительно невелико. Установлено, что вычислительная сложность таких задач линейна по числу признаков и полиномиальна по размеру обучающей совокупности.

Публикация

  • V. Mottl, A. Morozov, O. Krasotkina, V. Sulimova, I. Pugach, A. Tatarchuk Linear complexity algorithms for high dimensional SVM and regression problems with smart sparse regularization. — 2019.

Ссылка на статью

Личные инструменты