Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 874, весна 2011

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 116: Строка 116:
|Егор Будников
|Егор Будников
-
-
 
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|[[Многомерная авторегрессия (пример)]]
|[[Многомерная авторегрессия (пример)]]
-
+
-
-
+
|Ямщиков Илья
|Ямщиков Илья
-
+
-
-
+
|
|
-
+
-
-
+
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|[[Локальные методы прогнозирования,поиск метрики (пример)]]
|[[Локальные методы прогнозирования,поиск метрики (пример)]]
-
+
-
-
+
|Евгений Гребенников
|Евгений Гребенников
-
+
-
-
+
|Михаил Кокшаров
|Михаил Кокшаров
-
+
-
-
+
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|[[Локальные методы прогнозирования,поиск инвариантного преобразования (пример)]]
|[[Локальные методы прогнозирования,поиск инвариантного преобразования (пример)]]
-
+
-
-
+
|Юлия Хаспулатова
|Юлия Хаспулатова
-
+
-
-
+
|
|
-
+
-
-
+
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|[[Непараметрическое прогнозирование рядов с периодической составляющей (по мотивам работ прогнозирования объемов продаж)]]
|[[Непараметрическое прогнозирование рядов с периодической составляющей (по мотивам работ прогнозирования объемов продаж)]]
-
+
-
-
+
|Токмакова Александра
|Токмакова Александра
-
+
-
-
+
|Будников Егор
|Будников Егор
-
+
-
-
+
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|[[Многомерная гусеница, выбор временных рядов при прогнозировании(пример)]]
|[[Многомерная гусеница, выбор временных рядов при прогнозировании(пример)]]
-
+
-
-
+
|Элина Торчинская
|Элина Торчинская
-
+
-
-
+
|
|
-
+
-
-
+
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|[[Прогнозирование и аппроксимация сплайнами]]
|[[Прогнозирование и аппроксимация сплайнами]]
-
+
-
-
+
|Мищенко Павел
|Мищенко Павел
-
+
-
-
+
|
|
-
+
-
-
+
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|[[ARIMA и GARCH при прогнозировании высоковолатильных рядов с периодической составляющей (цен на электроэнергию)(пример)]]
|[[ARIMA и GARCH при прогнозировании высоковолатильных рядов с периодической составляющей (цен на электроэнергию)(пример)]]
-
+
-
-
+
|Ганусевич Ирина
|Ганусевич Ирина
-
+
-
-
+
|
|
-
+
-
-
+
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|[[Прогнозирование и SVN – регрессия(пример)]]
|[[Прогнозирование и SVN – регрессия(пример)]]
-
-
 
|Ситник Александр
|Ситник Александр
-
-
 
|
|
-
+
-
-
+
|
|
-
+
-
-
+
|-
|-
-
+
-
-
+
|}
|}
-
+
-
-
+
-
+
-
-
+
{{tip|В конце названия слово "(пример)" является ключевым и означает "пример работы алгоритма".}}
{{tip|В конце названия слово "(пример)" является ключевым и означает "пример работы алгоритма".}}
-
+
-
-
+
-
+
-
-
+
-
+
-
-
+
==Краткое описание задач==
==Краткое описание задач==
-
+
-
-
+
=== [[Краткосрочное прогнозирование почасовых цен на электроэнергию (пример)]] ===
=== [[Краткосрочное прогнозирование почасовых цен на электроэнергию (пример)]] ===
-
+
-
-
+
Описание задачи.
Описание задачи.
-
+
 
-
-
+
 
-
+
-
-
+
=== Задача 2: [[Экспоненциальное сглаживание и прогноз (пример)]] ===
=== Задача 2: [[Экспоненциальное сглаживание и прогноз (пример)]] ===
-
-
 
Прогнозирование методом экспоненциальной регрессии является идейно простым алгоритмом прогнозирования временных рядов. Идея метода основана на учете предшествующих значений ряда с убывающими весами. В своей простейшей реализации алгоритм сильно сглаживает ряд и плохо учитывает тренды, сезонность и резкие изменения в тренде, а также необоснованно заметно реагирует на выбросы в данных. Предполагается изучение и реализация алгоритмов, пытающихся найти оптимальную модель путем минимизации ошибки на известном временном ряду.
Прогнозирование методом экспоненциальной регрессии является идейно простым алгоритмом прогнозирования временных рядов. Идея метода основана на учете предшествующих значений ряда с убывающими весами. В своей простейшей реализации алгоритм сильно сглаживает ряд и плохо учитывает тренды, сезонность и резкие изменения в тренде, а также необоснованно заметно реагирует на выбросы в данных. Предполагается изучение и реализация алгоритмов, пытающихся найти оптимальную модель путем минимизации ошибки на известном временном ряду.
-
+
-
-
+
-
+
-
-
+
=== Задача 3: [[Непараметрическое прогнозирование рядов с периодической составляющей (по мотивам работ прогнозирования объемов продаж) (пример)]] ===
=== Задача 3: [[Непараметрическое прогнозирование рядов с периодической составляющей (по мотивам работ прогнозирования объемов продаж) (пример)]] ===
-
+
-
-
+
-
+
-
-
+
Целью проекта является нахождение закономерности в определённом процессе и сравнение базового алгоритма, проводящего прогнозирование с помощью скользящего среднего, с алгоритмом, учитывающим цикличность задачи. Также необходимо исследовать различные флуктуации входящих параметров и минимизировать при этом отклонения.
Целью проекта является нахождение закономерности в определённом процессе и сравнение базового алгоритма, проводящего прогнозирование с помощью скользящего среднего, с алгоритмом, учитывающим цикличность задачи. Также необходимо исследовать различные флуктуации входящих параметров и минимизировать при этом отклонения.
-
+
-
-
+
-
+
-
-
+
Данный алгоритм можно использовать при прогнозировании цен, объёмов продаж, туристических потоков – любых процессов, подразумевающих наличие временных рядов с периодической составляющей. Алгоритм не предусмотрен для работы в авральных ситуациях, таких как: промо-акции, праздники и т.д. - данные ситуации описываются отдельной задачей. Результатом проекта является оценка эффективности алгоритма, учитывающего цикличность задачи.
Данный алгоритм можно использовать при прогнозировании цен, объёмов продаж, туристических потоков – любых процессов, подразумевающих наличие временных рядов с периодической составляющей. Алгоритм не предусмотрен для работы в авральных ситуациях, таких как: промо-акции, праздники и т.д. - данные ситуации описываются отдельной задачей. Результатом проекта является оценка эффективности алгоритма, учитывающего цикличность задачи.
-
+
 
-
-
+
-
+
-
-
+
===Задача 4: [[Многомерная гусеница, выбор длины и числа компонент гусеницы (сравнение сглаженного и несглаженного временного ряда) (пример)]]===
===Задача 4: [[Многомерная гусеница, выбор длины и числа компонент гусеницы (сравнение сглаженного и несглаженного временного ряда) (пример)]]===
-
+
-
-
+
-
+
-
-
+
Требуется исследовать SSA-алгоритм (метод гусеницы) для многомерных временных рядов. Метод заключается в преобразовании ряда с помощью однопараметрической сдвиговой процедуры с последующим исследованием полученной траектории с помощью анализа главных компонент и восстановлением ряда по выбранным главным компонентам. В работе будет исследован вопрос выбора длины гусеницы и числа ее компонент, т.е. то, как определить по полученному разложению на компоненты, какие из них являются неинформативными (шумы). Также метод помогает увидеть и выделить разного рода закономерности в поведении временных рядов.
Требуется исследовать SSA-алгоритм (метод гусеницы) для многомерных временных рядов. Метод заключается в преобразовании ряда с помощью однопараметрической сдвиговой процедуры с последующим исследованием полученной траектории с помощью анализа главных компонент и восстановлением ряда по выбранным главным компонентам. В работе будет исследован вопрос выбора длины гусеницы и числа ее компонент, т.е. то, как определить по полученному разложению на компоненты, какие из них являются неинформативными (шумы). Также метод помогает увидеть и выделить разного рода закономерности в поведении временных рядов.
-
+
-
-
+
-
+
-
-
+
Результатом работы является выяснение эффективности работы алгоритма в зависимости от длины и числа компонент гусеницы, а также выяснение возможностей алгоритма и его области применимости.
Результатом работы является выяснение эффективности работы алгоритма в зависимости от длины и числа компонент гусеницы, а также выяснение возможностей алгоритма и его области применимости.
-
+
-
-
+
-
+
-
-
+
===Задача 7: [[Локальные методы прогнозирования,поиск метрики (пример)]]===
===Задача 7: [[Локальные методы прогнозирования,поиск метрики (пример)]]===
-
+
-
-
+
Временной ряд делится на отдельные участки, каждому из которых сопоставляется точка в n-мерном пространстве признаков. Локальная модель рассчитывается в три последовательных этапа.
Временной ряд делится на отдельные участки, каждому из которых сопоставляется точка в n-мерном пространстве признаков. Локальная модель рассчитывается в три последовательных этапа.
-
+
 
-
-
+
Первый – находит k-ближайших соседей наблюдаемой точки.
Первый – находит k-ближайших соседей наблюдаемой точки.
-
+
-
-
+
Второй – строит простую модель, используя только этих k соседей.
Второй – строит простую модель, используя только этих k соседей.
-
+
-
-
+
Третий – используя даную модель, по наблюдаемой точке прогнозирует следующую.
Третий – используя даную модель, по наблюдаемой точке прогнозирует следующую.
-
+
-
-
+
Многие исследователи, используют эвклидову метрику для измерения расстояний между точками.
Многие исследователи, используют эвклидову метрику для измерения расстояний между точками.
-
+
-
-
+
Данная работа призвана сравнить точность прогнозирования при использовании различных метрик.
Данная работа призвана сравнить точность прогнозирования при использовании различных метрик.
-
+
-
-
+
В частности, требуется исследовать оптимальный набор весов во взвешенной метрике для максимизации точности прогнозирования.
В частности, требуется исследовать оптимальный набор весов во взвешенной метрике для максимизации точности прогнозирования.
-
+
-
-
+
===Задача 8: [[Локальные методы прогнозирования, поиск инвариантного преобразования (пример)]]===
===Задача 8: [[Локальные методы прогнозирования, поиск инвариантного преобразования (пример)]]===

Версия 22:34, 2 марта 2011

Основная статья: Численные методы обучения по прецедентам (практика, В.В. Стрижов)




Перед выполнением заданий рекомендуются к прочтению






Задачи


Название задачи Работу выполняет Работу рецензирует Комментарии
Прогнозирование с использованием теста Гренжера (пример) Анастасия Мотренко
Выбор функции активации при прогнозировании нейронными сетями (пример) Георгий Рудой Николай Балдин
Многомерная гусеница, выбор длины и числа компонент гусеницы (сравнение сглаженного и несглаженного временного ряда) (пример) Любовь Леонтьева Михаил Бурмистров
Прогнозирование функциями дискретного аргумента (пример) Егор Будников Александр Романенко
Исследование сходимости при прогнозировании нейронными сетями с обратной связью (пример) Николай Балдин Георгий Рудой
Непараметрическое прогнозирование: выбор ядра из набора, настройка параметров (пример) Михаил Кокшаров
Экспоненциальное сглаживание и прогноз (пример) Бурмистров Михаил
Выравнивание временных рядов: прогнозирование с использованием DTW (пример) Романенко Александр Егор Будников
Многомерная авторегрессия (пример) Ямщиков Илья
Локальные методы прогнозирования,поиск метрики (пример) Евгений Гребенников Михаил Кокшаров
Локальные методы прогнозирования,поиск инвариантного преобразования (пример) Юлия Хаспулатова
Непараметрическое прогнозирование рядов с периодической составляющей (по мотивам работ прогнозирования объемов продаж) Токмакова Александра Будников Егор
Многомерная гусеница, выбор временных рядов при прогнозировании(пример) Элина Торчинская
Прогнозирование и аппроксимация сплайнами Мищенко Павел
ARIMA и GARCH при прогнозировании высоковолатильных рядов с периодической составляющей (цен на электроэнергию)(пример) Ганусевич Ирина
Прогнозирование и SVN – регрессия(пример) Ситник Александр


В конце названия слово "(пример)" является ключевым и означает "пример работы алгоритма".


Краткое описание задач

Краткосрочное прогнозирование почасовых цен на электроэнергию (пример)

Описание задачи.


Задача 2: Экспоненциальное сглаживание и прогноз (пример)

Прогнозирование методом экспоненциальной регрессии является идейно простым алгоритмом прогнозирования временных рядов. Идея метода основана на учете предшествующих значений ряда с убывающими весами. В своей простейшей реализации алгоритм сильно сглаживает ряд и плохо учитывает тренды, сезонность и резкие изменения в тренде, а также необоснованно заметно реагирует на выбросы в данных. Предполагается изучение и реализация алгоритмов, пытающихся найти оптимальную модель путем минимизации ошибки на известном временном ряду.

Задача 3: Непараметрическое прогнозирование рядов с периодической составляющей (по мотивам работ прогнозирования объемов продаж) (пример)

Целью проекта является нахождение закономерности в определённом процессе и сравнение базового алгоритма, проводящего прогнозирование с помощью скользящего среднего, с алгоритмом, учитывающим цикличность задачи. Также необходимо исследовать различные флуктуации входящих параметров и минимизировать при этом отклонения.

Данный алгоритм можно использовать при прогнозировании цен, объёмов продаж, туристических потоков – любых процессов, подразумевающих наличие временных рядов с периодической составляющей. Алгоритм не предусмотрен для работы в авральных ситуациях, таких как: промо-акции, праздники и т.д. - данные ситуации описываются отдельной задачей. Результатом проекта является оценка эффективности алгоритма, учитывающего цикличность задачи.

Задача 4: Многомерная гусеница, выбор длины и числа компонент гусеницы (сравнение сглаженного и несглаженного временного ряда) (пример)

Требуется исследовать SSA-алгоритм (метод гусеницы) для многомерных временных рядов. Метод заключается в преобразовании ряда с помощью однопараметрической сдвиговой процедуры с последующим исследованием полученной траектории с помощью анализа главных компонент и восстановлением ряда по выбранным главным компонентам. В работе будет исследован вопрос выбора длины гусеницы и числа ее компонент, т.е. то, как определить по полученному разложению на компоненты, какие из них являются неинформативными (шумы). Также метод помогает увидеть и выделить разного рода закономерности в поведении временных рядов.

Результатом работы является выяснение эффективности работы алгоритма в зависимости от длины и числа компонент гусеницы, а также выяснение возможностей алгоритма и его области применимости.

Задача 7: Локальные методы прогнозирования,поиск метрики (пример)

Временной ряд делится на отдельные участки, каждому из которых сопоставляется точка в n-мерном пространстве признаков. Локальная модель рассчитывается в три последовательных этапа.

Первый – находит k-ближайших соседей наблюдаемой точки.

Второй – строит простую модель, используя только этих k соседей.

Третий – используя даную модель, по наблюдаемой точке прогнозирует следующую.

Многие исследователи, используют эвклидову метрику для измерения расстояний между точками.

Данная работа призвана сравнить точность прогнозирования при использовании различных метрик.

В частности, требуется исследовать оптимальный набор весов во взвешенной метрике для максимизации точности прогнозирования.


Задача 8: Локальные методы прогнозирования, поиск инвариантного преобразования (пример)

В проекте используются локальные методы прогнозирования временных рядов. Эти методы отказываются от нахождения представления временного ряда в классе заданных функций от времени. Вместо этого прогноз осуществляется на основе данных о каком-то участке временного ряда (используется локальная В данной работе подробно исследован следующий метод (обобщение классического «ближайшего соседа»). Пусть имеется временной ряд, и стоит задача требуется продолжить его. Предполагается, что такое продолжение определяется «предысторией», т.е. в ряде нужно найти часть, которая после некоторого преобразования A «становится похожа» на ту часть, которую мы стремимся прогнозировать. Поиск такого преобразования A и есть цель данного проекта. Для определения степени «похожести» используется метрика B – функция близости двух отрезков временного ряда (подробнее об этом см.Локальные методы прогнозирования,поиск метрики (пример)). Так мы находим ближайшего соседа к нашей предыстории. В общем случае ищем несколько ближайших соседей. Продолжение запишется в виде их линейной комбинации.

Задача 9: Выравнивание временных рядов: прогнозирование с использованием DTW (пример)

Задача 12: Исследование сходимости при прогнозировании нейронными сетями с боратной связью (пример)

Цель проекта - иследовать зависимость сходимости прогнозирования от параметров нейронной сети. Понятие обратной связи характерно для динамических систем, в которой выходной сигнал некоторого элемента истемы оказыает влияние на входной сигнал этого элемента. Входной Сигнал x_{j}(n), внутренний сигнал x_{j}^{'}(n) и выходной сигнал y_{j}(n) связаны соотношениями: y_{k}(n) = A[x_{j}^{'}(n)]; x_{j}^{'}(n) = x_{j}(n) + B[y_{j}(n)]

Задача 13: Многомерная гусеница, выбор временных рядов при прогнозировании(пример)

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A7%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%BF%D0%BE_%D0%BF%D1%80%D0%B5%D1%86%D0%B5%D0%B4%D0%B5%D0%BD%D1%82%D0%B0%D0%BC_%28%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0%2C_%D0%92.%D0%92._%D0%A1%D1%82%D1%80%D0%B8%D0%B6%D0%BE%D0%B2%29/%D0%93%D1%80%D1%83%D0%BF%D0%BF%D0%B0_874%2C_%D0%B2%D0%B5%D1%81%D0%BD%D0%B0_2011»
Личные инструменты