Promocja

UCZENIE MASZYNOWE W PODEJMOWANIU DECYZJI PROGNOSTYCZNYCH

WITOLD ORZESZKO, KRZYSZTOF TARGIEL, SYLWESTER BEJGER, GRZEGORZ DUDEK, MICHAŁ STASIAK

Wydawnictwo: UMK

Cena: ~~29.90 zł~~ 26.91 zł brutto

Koszty dostawy:

Paczkomaty InPost 14.99 zł brutto
Poczta Polska - odbiór w punkcie 9.99 zł brutto
Poczta Polska - przedpłata 15.99 zł brutto
Poczta Polska - pobranie 19.99 zł brutto
Kurier DHL - przedpłata 18.99 zł brutto
Kurier DHL - pobranie 21.99 zł brutto
Odbiór osobisty - UWAGA - uprzejmie prosimy poczekać na informację z księgarni o możliwości odbioru zamówienia - 0.00 zł brutto

Opis produktu
Opinie kupujących
Zapytaj o produkt

Opis

Opis produktu

ISBN: 978-83-231-4472-4

122 stron
format: A5
oprawa: miękka
Rok wydania: 2020

Monografia zawiera rzadko dotychczas prezentowane w literaturze polskojęzycznej problemy uczenia maszynowego. Obejmuje szeroki zakres metod i podejść, które prowadzą do wykorzystania wielowymiarowych danych masowych i metod uczenia statystycznego (maszynowego) w zagadnieniach optymalizacji decyzji, ze szczególnym naciskiem położonym na metody optymalizacji decyzji predykcyjnych podejmowanych na podstawie danych w postaci szeregów czasowych. Cenne i warte podkreślenia jest to, że w książce zebrano różne podejścia, konfrontując je z dorobkiem światowej literatury. Jednocześnie przeprowadzono wiele eksperymentów, co uwiarygodniło zarówno prezentowane metody, jak i dotychczasowe wyniki prac autorów monografii. Publikację można zatem uznać za cenny przyczynek badawczy zarówno w zakresie teoretycznego, jak i empirycznego rozwoju metod prognozowania opartych na podejściu algorytmicznym.

SPIS TREŚCI

Przedmowa

Wstęp

ROZDZIAŁ 1. PROGNOZOWANIE ZMIENNOŚCI Z WYKORZYSTANIEM UCZENIA MASZYNOWEGO
Wprowadzenie
1. Istota zmienności
2. Koncepcja prognozowania oparta na obrazie rynku
3. Przykład wykorzystania obrazu rynku do prognozowania zmienności
3.1. Definiowanie problemu
3.2. Dane wejściowe
3.3. Architektura sieci
3.4. Miara sukcesu
3.5. Obliczenia
3.6. Wyniki
Podsumowanie

ROZDZIAŁ 2. METODY UCZENIA MASZYNOWEGO W PROGNOZOWANIU OPARTYM NA WZORCACH CYKLI SEZONOWYCH SZEREGÓW CZASOWYCH
Wprowadzenie
1. Reprezentacja szeregów czasowych za pomocą wzorców
2. Idea metod opartych na podobieństwie wzorców
3. Modele prognostyczne wykorzystujące podobieństwo wzorców
3.1. Model najbliższych sąsiadów
3.2. Model rozmytego sąsiedztwa
3.3. Model estymacji jądrowej
3.4. Modele oparte na grupowaniu wzorców
3.5. Sztuczne systemy immunologiczne
4. Inne modele oparte na wzorcach
4.1. Modele wykorzystujące sieci neuronowe
4.2. Modele regresji liniowej
4.3. Modele wykorzystujące drzewa regresyjne
5. Rozszerzenia modeli opartych na podobieństwie wzorców
5.1. Dodatkowe zmienne wejściowe
5.2. Prognozowanie probabilistyczne
6. Badania symulacyjne
Podsumowanie

ROZDZIAŁ 3. PROGNOZOWANIE ZMIENNOŚCI NA GPW W WARSZAWIE PRZY UŻYCIU MODELU SVR
Wprowadzenie
1. Model SVR
2. Cel i metodyka badania
3. Wyniki badania
Podsumowanie

ROZDZIAŁ 4. BUDOWA SYSTEMU HFT Z WYKORZYSTANIEM MODELOWANIA STANOWEGO REPREZENTACJI BINARNEJ
Wprowadzenie
1. Reprezentacja binarna
2. Binarny model stanowy
3. Konstrukcja systemu HFT
3.1. Systemy HFT dedykowane reprezentacji binarnej
3.2. Ocena właściwości systemu HFT
3.3. Proces optymalizacji parametrów systemu HFT
3.4. Rezultaty działania systemu dla wybranej pary walutowej
Podsumowanie

Zakończenie

Literatura

Informacje o autorach