Участник:Fedimser
Материал из MachineLearning.
| Строка 12: | Строка 12: | ||
сайт: fedimser.github.io | сайт: fedimser.github.io | ||
| + | |||
| + | == Отчеты о научно-исследовательской работе == | ||
| + | |||
| + | === Весна 2016, 6-й семестр=== | ||
| + | '''Смеси моделей векторной авторегрессии в задаче прогнозирования временных рядов''' | ||
| + | |||
| + | ''В данной статье исследуется задача краткосрочного прогнозирования временных рядов. Рассматриваются временные ряды разного масштаба, связанные между собой и обладающие свойством периодичности. Задача прогнозирования сводится к задаче регрессии, которая решается с помощью линейной модели. Для повышения её точности предлагается применить композицию моделей. Композиции строятся с помощью бэггинга, метода случайных подпространств и алгоритма бустинга AdaBoost. Также предлагается эвристический итерационный алгоритм композиции моделей, основанный на идее алгоритма кластеризации K-means. С помощью предлагаемых методов производится построение прогноза потребления электроэнергии в Турции и Польше, а также цен на электроэнергию в Германии с учетом информации о погоде.'' | ||
| + | |||
| + | |||
| + | [http://svn.code.sf.net/p/mlalgorithms/code/Group374/Fedoriaka2016TimeSeriesPrediction/doc/Fedoriaka2016TSPPresentation.pdf?format=raw pdf] | ||
| + | |||
| + | |||
| + | === Осень 2016, 7-й семестр=== | ||
| + | '''Тематическое моделирование''' | ||
| + | |||
| + | ''Скоро появится описание'' | ||
Версия 18:07, 15 октября 2016
Федоряка Дмитрий Сергеевич
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
e-mail: fedimser@yandex.ru
сайт: fedimser.github.io
Отчеты о научно-исследовательской работе
Весна 2016, 6-й семестр
Смеси моделей векторной авторегрессии в задаче прогнозирования временных рядов
В данной статье исследуется задача краткосрочного прогнозирования временных рядов. Рассматриваются временные ряды разного масштаба, связанные между собой и обладающие свойством периодичности. Задача прогнозирования сводится к задаче регрессии, которая решается с помощью линейной модели. Для повышения её точности предлагается применить композицию моделей. Композиции строятся с помощью бэггинга, метода случайных подпространств и алгоритма бустинга AdaBoost. Также предлагается эвристический итерационный алгоритм композиции моделей, основанный на идее алгоритма кластеризации K-means. С помощью предлагаемых методов производится построение прогноза потребления электроэнергии в Турции и Польше, а также цен на электроэнергию в Германии с учетом информации о погоде.
Осень 2016, 7-й семестр
Тематическое моделирование
Скоро появится описание
