Národní úložiště šedé literatury Nalezeno 118 záznamů.  1 - 10dalšíkonec  přejít na záznam: Hledání trvalo 0.00 vteřin. 
Metody aproximace plně pravděpodobnostního návrhu rozhodování za neúplné znalosti
Pištěk, Miroslav ; Kárný, Miroslav (vedoucí práce) ; Andrýsek, Josef (oponent)
V diplomové práci představujeme účinný algoritmus pro výpočet odhadu optimální strategie řízení dynamického systému. Tento algoritmus aproximuje optimální rovnice, aniž by potlačil principiální nejistotu plynoucí z neúplné znalostí řízeného systému. Tím si udržuje schopnost neustálého prověřování aktuálních znalostí, jež je pravou podstatou duálního řízení. Nedílnou součástí řešení je snížení datové náročnosti algoritmu pomocí tzv. HDMR aproximace. Vyvinuli jsme obecnou metodu řešení lineárních integrálních rovnic za použití této aproximace. Právě ta je užita pro řešení linearizovaných rovnic optimálního řízení. Jejich klasická varianta však linearizaci odolává, a proto jsme použili tzv. plně pravděpodobnostní návrh rozhodování. V této formulaci lze snadněji najít (lineární integrální) rovnici pro horní a dolní odhad funkce popisující optimální řízení. Výsledkem celého postupu je systém lineárních algebraických rovnic. Pro ilustraci vyvinuté techniky je v práci vyřešen jednoduchý problém.
Výběr volitelných parametrů částečného zapomínání
Votava, Adam ; Kárný, Miroslav (vedoucí práce) ; Šmíd, Martin (oponent)
Předložená práce se zabývá výběrem volitelných parametrů částečného zapomínání. Hlavním cílem je vytvoření algoritmu pro optimální vývoj těchto parametrů v čase, který bude lepší, ne použití konstatních parametrů. K tomuto účelu je nejprve představeno bayesovské dynamické rozhodování, následováno obecnými principy zapomínání při odhadování pomalu se měnících parametrů modelu a metodou částečného zapomínání. V práci je důvod usnadnění výpočtů uvažována exponenciální rodina hustot. Použitá metoda pro optimální volbu volitelných parametrů částečného zapomínání je nejprve popsána matematicky s využitím bayesovského učení. Hlavní důraz je klade zejména na volbu zapomínacího faktoru, jehož výběr je považován za bayesovské testování hypotéz s tím, že množina uvažovaných hypotéz se v čase vyvíjí. Zapomínání je aplikováno též na hypotézy. Vešekeré představené postupy jsou následně aplikovány na normální regresní model. Obecnost teoretické části však umožňuje jejich použití i pro jiné, např. markovské, modely. Algoritmus je následně naprogramován v jazyce Python a testován jak na skutečných dopravních datech, tak na datech uměle vytvořených.
Sdílení pravděpodobnostní informace bayesovských agentů
Kalenkovich, Evgeny ; Kárný, Miroslav (vedoucí práce) ; Lachout, Petr (oponent)
Potřeba kombinovat pravděpodobnostní rozdělení v mnoha problémech teorie rozhodování. V této práci navzujeme na články [14] a [15], ve kterých se potlačuje supra Bayesovský přístup [9]. Je uvedena metoda pro kombinování konečných diskrétních rozdělení stejně. Taktýž způsob, jak zacházet s neúplnou informací a ohraničenými spojitými rozdělenimi. V diskrténím případě náš přístup je v duchu, ale liší se v několika klíčových bodech od práce [20]. Výsledkem je posunutý aritmetický průměr vektorů pravděpodobností, což je odlišné od obvyklého (viz [9]) aritmetického průměru.
Bayesian modeling of market price using autoregression model
Šindelář, Jan ; Kárný, Miroslav (vedoucí práce) ; Pawlas, Zbyněk (oponent) ; Šmíd, Martin (oponent)
1 Bayesovské modelování tržní ceny za pomoci autoregresního modelu 1Šindelář Jan Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí doktorské práce: Ing. Miroslav Kárný, DrSc. Abstrakt: V doktorské práci je vyřešena úloha bayesovské filtrace v autoregresním modelu s laplaceovsky rozloženým šumem. Odhadování v regresním modelu s inovacemi s těžkými chvosty bylo již dříve z pohledu bayesovské statistiky studováno [2], [1]. V porovnání s dříve provedenými studiemi vede však řešení navržené v této práci na analytický vzorec specifikující přesnou funkční formu aposteriorní hustoty parametrů. Takové řešení bylo dříve známo pouze pro velmi omezenou třídu rozdělení šumu. V textu je dále navržen algoritmus vedoucí k efektivnímu řešení zadané úlohy. Tento algoritmus je pomalejší než algoritmus pro klasický model, avšak díky zvyšující se výpočetní kapacitě počítačů a zvyšující se podpoře paralelního počítaní, může být proveden v rozumném čase pro modely s nepříliš vysokým počtem parametrů. Klíčová slova: Bayesovský, Autoregresní, Optimální obchodování, Časové řady References [1] P. Congdon. Bayesian statistical modelling. Wiley, 2006. [2] A. Zellner. Bayesian and Non-Bayesian...
Cross-entropy based combination of discrete probability distributions for distributed decision making
Sečkárová, Vladimíra ; Kárný, Miroslav (vedoucí práce)
dizertační práce Název práce: Kombinování diskrétních pravděpodobnostních rozdělení pomocí křížové entropie pro distribuované rozhodování Autor: Vladimíra Sečkárová Email autora: seckarov@karlin.mff.cuni.cz Katedra: Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta, Univerzita Karlova v Praze Vedoucí disertační práce: Ing. Miroslav Kárný, DrSc., Ústav teorie informace a automatizace AV ČR, v.v.i. Email vedoucího: school@utia.cas.cz Abstrakt: Tato práce se zabývá návrhem systematického kombinování diskrétních pravděpo- dobnostních distribucí založeném na teorii rozhodování a teorii informace, konkrét- ně na křížové entropii (známé také jako Kullbackova-Leiblerova (KL) divergence). Optimální kombinací je pravděpodobnostní funkce minimimalizující podmíněnou střední hodnotu KL-divergence. Hustota pravděpodobnosti, která se váže k této střední hodnotě, rovněž minimalizuje KL-divergenci za podmínek vztažených k řešenému problému. Ačkoliv je kombinace odvozena pro pravděpodobnostní typ informace na společném nosiči, můžeme ji po transformaci a/anebo rozšíření použít i pro míchání jiných typů informace. Práce také zahrnuje diskuzi o navrho- vaném kombinování a...
Kombinace prediktorů v odhadování parametrů
Podlesna, Yana ; Kárný, Miroslav
Tato bakalářská práce se zabývá návrhem metody k řešení prokletí rozměrnosti vznikající v kvantitativním modelování složitých vzájemně propojených systémů. Jedná se o předpovídací modely, které jsou založené na diskrétním markovském rozhodovacím procesu. Předpovídání je založeno na odhadu parametrů modelu pomocí bayesovské statistiky. Tato práce obsahuje návod na zmenšení rozměrnosti dat, potřebných k předpovídání v systémech s velkým počtem stavů a akcí. Místo odhadu prediktoru závislého na všech parametrech metoda předpokládá užití několika prediktorů, které vznikají odhadováním parametrických modelů, předpokládajících závislost na různých regresorech. Vlastnosti chování navržené metody jsou ilustrovány simulačními experimenty.
Algoritmický výběr dosažitelných preferencí
Siváková, Tereza ; Kárný, Miroslav
Tato bakalářská práce se zabývá teorií optimálního rozhodování pro diskrétní markovský rozhodovací proces z hlediska volby preferencí. Za pomoci plně pravděpodobnostního návrhu, který zavádí tzv. ideální distribuci chování, která přiřazuje vysoké hodnoty pravděpodobnosti preferovanému chování a malé hodnoty pravděpodobnosti nežádoucímu chování, se hledá optimální rozhodovací politika. Tato práce obsahuje návod k nalezení optimální ideální distribuce chování a přináší obecnější řešení než řešení dosud známá. Dále přidává možnost respektování další preference, a to na volbu akcí. Vlastnosti výsledného rozhodování jsou ilustrovány simulačními experimenty.
Balancing Exploitation and Exploration via Fully Probabilistic Design of Decision Policies
Kárný, Miroslav ; Hůla, František
Adaptive decision making learns an environment model serving a design of a decision policy. The policy-generated actions influence both the acquired reward and the future knowledge. The optimal policy properly balances exploitation with exploration. The inherent dimensionality\ncurse of decision making under incomplete knowledge prevents the realisation of the optimal design.

Národní úložiště šedé literatury : Nalezeno 118 záznamů.   1 - 10dalšíkonec  přejít na záznam:
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.