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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Оценивание)
(Лабораторная работа 1)
Строка 64: Строка 64:
* Текст с постановкой задачи и код (формат по вашему усмотрению) положите в репозиторий [https://github.com/Intelligent-Systems-Phystech/Ratings Ratings]
* Текст с постановкой задачи и код (формат по вашему усмотрению) положите в репозиторий [https://github.com/Intelligent-Systems-Phystech/Ratings Ratings]
* Заметки о практике построения рейтингов [[Media:Ratings.pdf|тут]], правила
* Заметки о практике построения рейтингов [[Media:Ratings.pdf|тут]], правила
-
** сам рейтинг и выборка фиксирована: еда,
+
** сам рейтинг и [https://docs.google.com/spreadsheets/d/1-cepeKcJRoZfKIUW85_NPPa9tf_3IA1mzTfDJHkXO7Q/edit?usp=sharing выборка фиксирована: еда],
** модель соответствует требованиям:
** модель соответствует требованиям:
** параметрическая, оптимизация параметров за вами по выборке
** параметрическая, оптимизация параметров за вами по выборке
Строка 75: Строка 75:
* Следующая неделя: пробные доклады с обсуждением (правки постановок и кода с целью повышения качества работы)
* Следующая неделя: пробные доклады с обсуждением (правки постановок и кода с целью повышения качества работы)
* Через неделю: короткий финальный доклад
* Через неделю: короткий финальный доклад
-
 
-
 
-
 
-
 
-
 
-
 
===Практическое задание===
===Практическое задание===

Версия 16:07, 24 марта 2021


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 (1+1)
  3. The final exam: problems with discussion (5), with bank of problems

Выбор моделей в задачах декодирования

  1. Katrutsa A.M., Strijov V.V. Stresstest procedure for feature selection algorithms // Chemometrics and Intelligent Laboratory Systems, 2015, 142 : 172-183.
  2. 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.
  3. 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.
  4. [Isachenko R.A., Strijov V.V. Quadratic programming feature selection for multicorrelated signal decoding with partial least squares // Submitted, 2021.]

Построение моделей нейроинтерфейсов

  1. 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.
  2. Мотренко А.П. Выбор моделей прогнозирования мультикоррелирующих временных рядов (научный руководитель В.В. Стрижов). Московский физико-технический институт, 2019.
  3. Яушев Ф.Ю., Исаченко Р.В., Стрижов В.В. Модели согласования скрытого пространства в задаче прогнозирования // Системы и средства информатики, 2021, 31(1). 

Прогнозирование волатильности опционных торгов

  1. Karsten Ehrig, Ulrike Prange, Gabriele Taentzer, Hartmut Ehrig. Fundamentals of Algebraic Graph Transformation, 2006.
  2. Сологуб Р.А. Алгоритмы индуктивного порождения и трансформации моделей в задачах нелинейной регрессии, 2014.
  3. Kulunchakov A.S., Strijov V.V. Generation of simple structured Information Retrieval functions by genetic algorithm without stagnation // Expert Systems with Applications, 2017, 85 : 221-230.
  4. Стрижов В.В., Сологуб Р.А. Индуктивное порождение регрессионных моделей предполагаемой волатильности для опционных торгов // Вычислительные технологии, 2009, 14(5) : 102-113.
  5. Рудой Г.И., Стрижов В.В. Алгоритмы индуктивного порождения суперпозиций для аппроксимации измеряемых данных // Информатика и её применения, 2013, 7(1) : 17-26.

Выравнивание: параметрическое и непараметрическое, поиск центроидов временных рядов

  1. Исаченко Р.В., Стрижов В.В. Метрическое обучение в задачах многоклассовой классификации временных рядов // Информатика и ее применения, 2016, 10(2) : 48-57.
  2. Гончаров А.В., Стрижов В.В. Выравнивание декартовых произведении упорядоченных множеств // Информатика и ее применения, 2020, 14(1) : 31-39.
  3. Гончаров А.В., Стрижов В.В. Метрическая классификация временных рядов со взвешенным выравниванием относительно центроидов классов // Информатика и ее применения, 2016, 10(2) : 36-47.
  4. Гончаров А.В., Попова М.С., Стрижов В.В. Метрическая классификация временных рядов с выравниванием относительно центроидов классов // Системы и средства информатики, 2015, 25(4) : 52-64.
  5. Goncharov A.V., Strijov V.V. Analysis of dissimilarity set between time series // Computational Mathematics and Modeling, 2018, 29(3) : 359-366.
  6. Goncharov A.V., Strijov V.V. Continuous time series alignment in human actions recognition // Artificial Intelligence and Natural Language and Information Extraction, Social Media and Web Search FRUCT Conference proceedings // AINL FRUCT: Artificial Intelligence and Natural Language Conference, 2016 : 83-86.


Задачи локального прогнозирования

  1. Карасиков М.Е., Стрижов В.В. Классификация временных рядов в пространстве параметров порождающих моделей // Информатика и ее применения, 2016, 10(4) : 121-131.
  2. Isachenko R.V., Bochkarev А.М., Zharikov I.N., Strijov V.V. Feature generation for physical activity classification // Artificial Intelligence and Decision Making, 2018, 3 : 20-27.
  3. 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.
  4. Isachenko R.V., Strijov V.V. Quadratic Programming Optimization with Feature Selection for Non-linear Models // Lobachevskii Journal of Mathematics, 2018, 39(9) : 1179-1187. 

Прогнозирование элементов частично-упорядоченных множеств

  1. Слайды
  2. Stenina M.M., Kuznetsov M.P., Strijov V.V. Ordinal classification using Pareto fronts // Expert Systems with Applications, 2015, 42(14) : 5947–5953.
  3. Kuznetsov M.P., Strijov V.V. Methods of expert estimations concordance for integral quality estimation // Expert Systems with Applications, 2014, 41(4-2) : 1988-1996.
  4. Кузнецов М.П. Построение моделей обучения по предпочтениям с использованием порядковых экспертных оценок, 2016.

Порождение вероятностных прогностических моделей

  1. Стрижов В.В. Функция ошибки в задачах восстановления регрессии // Заводская лаборатория. Диагностика материалов, 2013, 79(5) : 65-73.
  2. 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.
  3. Kuznetsov M.P., Tokmakova A.A., Strijov V.V. Analytic and stochastic methods of structure parameter estimation // Informatica, 2016, 27(3) : 607-624.

Meetings

Wednesday 10:30 m1p.org/go_zoom



Лабораторная работа 1

  • Построить рейтинг, сравнить его с базовым (график, с помощью тождественной функции), проанализировать ошибку (график)
  • Исследовать проблему с новизной, решить задачу, возникающую при построении рейтингов
  • Текст с постановкой задачи и код (формат по вашему усмотрению) положите в репозиторий Ratings
  • Заметки о практике построения рейтингов тут, правила
    • сам рейтинг и выборка фиксирована: еда,
    • модель соответствует требованиям:
    • параметрическая, оптимизация параметров за вами по выборке
    • допускаются пропуски, появление новых признаков, экспертов, лет.
  • Вы:
    • выбираете модель,
    • выбираете проблему для исследования,
    • формат исследования ваш,
    • результат - рейтинг еды (функция и график).
  • Следующая неделя: пробные доклады с обсуждением (правки постановок и кода с целью повышения качества работы)
  • Через неделю: короткий финальный доклад

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