|
|
Recent Trends in Machine Learning with a Focus on Applications in Finance
Kalina, Jan ; Neoral, Aleš
Machine learning methods penetrate to applications in the analysis of financial data, particularly to supervised learning tasks including regression or classification. Other approaches, such as reinforcement learning or automated machine learning, are not so well known in the context of finance yet. In this paper, we discuss the advantages of an automated data analysis, which is beneficial especially if a larger number of datasets should be analyzed under a time pressure. Important types of learning include reinforcement learning, automated machine learning, or metalearning. This paper overviews their principles and recalls some of their inspiring applications. We include a discussion of the importance of the concept of information and of the search for the most relevant information in the field of mathematical finance. We come to the conclusion that a statistical interpretation of the results of theautomatic machine learning remains crucial for a proper understanding of the knowledge acquired by the analysis of the given (financial) data.
|
|
|
Hyperparameter optimization in AutoML systems
Pešková, Klára ; Neruda, Roman (vedoucí práce) ; Awad, Mariette (oponent) ; Kordik, Pavel (oponent)
Zpracování dat se v posledních letech stalo nedílnou součástí mnoha oblastní lidské činnosti. Spolu s tím prudce roste zájem o automatické systémy strojového učení, které využívají metaučící postupy k tomu, aby usnadnily proces strojového učení, navrhli jeho optimální průběh a na- stavení. V této práci jsme navrhli algoritmy metaučení pro optimalizaci hyper- parametrů, zužování rozsahů hyperparametrů a doporučování metod strojového učení pro zcela nová data. Implementovali jsme dva systémy automatického strojového učení (AutoML), ve kterých jsme použili navržené metaučící techniky. V práci prezentujeme výsledky rozsáhlých experimentů, ve kterých tyto techniky vyhodnocujeme a porovnáváme.
|
|
|
Hyperparameter optimization in AutoML systems
Pešková, Klára ; Neruda, Roman (vedoucí práce) ; Awad, Mariette (oponent) ; Kordik, Pavel (oponent)
Zpracování dat se v posledních letech stalo nedílnou součástí mnoha oblastní lidské činnosti. Spolu s tím prudce roste zájem o automatické systémy strojového učení, které využívají metaučící postupy k tomu, aby usnadnily proces strojového učení, navrhli jeho optimální průběh a na- stavení. V této práci jsme navrhli algoritmy metaučení pro optimalizaci hyper- parametrů, zužování rozsahů hyperparametrů a doporučování metod strojového učení pro zcela nová data. Implementovali jsme dva systémy automatického strojového učení (AutoML), ve kterých jsme použili navržené metaučící techniky. V práci prezentujeme výsledky rozsáhlých experimentů, ve kterých tyto techniky vyhodnocujeme a porovnáváme.
|
host ::
RSS.