Участник:A m0r0z0v
Материал из MachineLearning.
(→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
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..
- 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..
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..
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.
