Název:
Akvizice nákladné informace při rozhodování na základě dat
Překlad názvu:
Acquisition of Costly Information in Data-Driven Decision Making
Autoři:
Janásek, Lukáš ; Baruník, Jozef (vedoucí práce) ; Vácha, Lukáš (oponent) Typ dokumentu: Diplomové práce
Rok:
2021
Jazyk:
eng
Abstrakt: [eng][cze] This thesis formulates and solves an economic decision problem of the acquisi- tion of costly information in data-driven decision making. The thesis assumes an agent predicting a random variable utilizing several costly explanatory vari- ables. Prior to the decision making, the agent learns about the relationship between the random variables utilizing its past realizations. During the deci- sion making, the agent decides what costly variables to acquire and predicts using the acquired variables. The agent's utility consists of the correctness of the prediction and the costs of the acquired variables. To solve the decision problem, the thesis divides the decision process into two parts: acquisition of variables and prediction using the acquired variables. For the prediction, the thesis presents a novel approach for training a single predictive model accepting any combination of acquired variables. For the acquisition, the thesis presents two novel methods using supervised machine learning models: a backward es- timation of the expected utility of each variable and a greedy acquisition of variables based on a myopic increase in the expected utility of variables. Next, the thesis formulates the decision problem as a Markov decision process which allows approximating the optimal acquisition via deep...Tato práce formuluje a řeší problém ekonomického rozhodování o nákladné akvizici informace při rozhodování na základě dat. Práce předpokládá agenta predikujícího náhodnou proměnnou za použití několika vysvětlujících proměn- ných, jejichž akvizice je nákladná. Před samotným rozhodováním se agent učí vztah mezi proměnnými z minulých realizací proměnných. Během samot- ného rozhodování agent vybírá vysvětlující proměnné a na jejich základě tvoří predikci. Užitek agenta je tvořen přesností predikce a náklady vynaloženými na akvizici vysvětlujících proměnných. Pro účely řešení práce rozděluje rozhodování agenta na akvizici proměnných a predikci na základě nabytých proměnných. Pro predikci práce představuje novou metodu tréninku jednoho prediktivního modelu, který dokáže přijmout libovolnou kombinaci nabytých proměnných. Pro akvizici proměnných práce představuje dvě nové metody stojící na stro- jovém učení s učitelem: trénink modelů strojového učení, které odhadují očeká- vaný užitek z jednotlivých proměnných odzadu, a krátkozrakou akvizici proměnné na základě okamžitého nárůstu očekávaného užitku. Práce dále formuluje prob- lém jak Markovův rozhodovací proces, což umožňuje approximovat optimální akvizici pomocí hlubokého zpětnovazebního učení. Práce navrhuje novou for- mulaci odměn při tréninku jako...
Klíčová slova:
Nákladná informace; Rozhodování z dat; Strojové učení; Zpětnovazební učení; Costly information; Data-driven decision-making; Machine learning; Reinforcement learning