Математические методы прогнозирования (лекции, В.В. Стрижов)/Группы 674, 774, весна 2021

Материал из MachineLearning.

Версия от 12:39, 28 января 2021; Strijov (Обсуждение | вклад)
(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)
Перейти к: навигация, поиск


This course joins two parts of the problem statements in Machine Learning. The first part comes from the structure of the measured data. The data come from Physics, Chemistry and Biology and have intrinsic algebraic structure. This stricture is part of the theory that stands behind the measurement. The second part comes from errors of the measurement. The stochastic nature errors request the statistical methods of analysis. So this course joins algebra and statistics. It is devoted to the problem of predictive model selection.

The course holds two semesters: Fall 2020 and Spring 2021. It contains lectures and practical works. Out of schedule cuts off half the score. The scoring, max:

  1. Questionnaires during lectures (3)
  2. Two application projects (2+2)
  3. The final exam: problems with discussion (3)

Список вопросов и ссылки на материалы курса для зачета

Тема Ссылка
Вероятностные прогностические модели Стрижов В.В. Функция ошибки в задачах восстановления регрессии // Заводская лаборатория. Диагностика материалов, 2013, 79(5) : 65-73.
Порождение вероятностных моделей Strijov V.V., Krymova E.A., Weber G.W. Evidence optimization for consequently generated models // Mathematical and Computer Modelling, 2013, 57(1-2) : 50-56.
Оценка гиперпараметров вероятностных моделей Kuznetsov M.P., Tokmakova A.A., Strijov V.V. Analytic and stochastic methods of structure parameter estimation // Informatica, 2016, 27(3) : 607-624.
Выбор моделей в задачах декодирования Katrutsa A.M., Strijov V.V. Stresstest procedure for feature selection algorithms // Chemometrics and Intelligent Laboratory Systems, 2015, 142 : 172-183.

Katrutsa A.M., Strijov V.V. Comprehensive study of feature selection methods to solve multicollinearity problem according to evaluation criteria // Expert Systems with Applications, 2017, 76 : 1-11. Isachenko R.V., Vladimirova M.R., Strijov V.V. Dimensionality reduction for time series decoding and forecasting problems // DEStech Transactions on Computer Science and Engineering, 2018, 27349 : 286-296.

Построение моделей нейроинтерфейсов Motrenko A.P., Strijov V.V. Multi-way feature selection for ECoG-based brain-computer interface // Expert Systems with Applications, 2018, 114(30) : 402-413.
Прогнозирование волатильности опционных торгов (прикладной проект) Стрижов В.В., Сологуб Р.А. Индуктивное порождение регрессионных моделей предполагаемой волатильности для опционных торгов // Вычислительные технологии, 2009, 14(5) : 102-113.
Выравнивание: параметрическое и непараметрическое поиск центроидов временных рядов
Прогнозирование для частично-упорядоченных множеств


Meetings

Wednesday 10:30 m1p.org/go_zoom


Youtube video

Видео-канал

  1. Л1:

Оценивание

Практическое задание

Формат выполнения

  1. Создать файл pynb Surmane2020Problem в папке
  2. В файле Название задачи, автор
  3. Краткое пояснение задачи
  4. Желательна модель в виде формулы, а не в виде алгоритмического описания
  5. Три функции: модель, критерий качества, прогноз, оптимизация параметров (и выбор модели)
  6. График с прогнозом
  7. График с анализом ошибки на ваш выбор

Пояснение для сдающих в январе 2021: задание должно содержать

  1. время (можно в натуральных числах), явно указывающее на объект выборки,
  2. прогноз на несколько точек (поточечно, если это модель дает поточечный прогноз).

Пример:

  1. Отчет о проекте
  2. Код и проект

Описание задач

Личные инструменты