ZGŁOŚ PROBLEMikona ozdobna

Pola oznaczone gwiazdką (*) są wymagane
*
*
*
*
captcha
Zapoznałem/am się i akceptuję regulamin oraz politykę prywatności *

ODSYŁACZE

Link do zasobu (portal):

Link do zasobu (skrót):

http://azon.e-science.pl/zasoby/21404

Link do zasobu (repozytorium):

https://id.e-science.pl/records/21404

Typ zasobu: praca dyplomowa

Soft computing methods in the Bayesian analysis of time series

Widok

Metadane zasobu

Tytuł Soft computing methods in the Bayesian analysis of time series
Wariant tytułu: "Miękkie" metody obliczeń komputerowych w Bayesowskiej analizie szeregów czasowych
Osoby Autorzy: Katarzyna Anna Kaczmarek-Majer
Partner: Instytut Badań Systemowych PAN w Warszawie
Opis The primary goal of this research is the construction of the a priori probability distributions of the predictive models of short time series basing on the imprecise information retrieved with the soft computing methods. The secondary goal of the approach is the introduction of the human-consistent data analysis model to discover information from experts and transform it to the a priori probability distributions in the Bayesian predictive models.
The goals are achieved by the introduction of two innovative methods for the construction of the a priori probability distributions enabling the incorporation of the human-consistent imprecise information like linguistic summaries into the Bayesian analysis and forecasting of time series. The proposed methods are based on the selected soft computing techniques, especially data mining, the classification algorithms, time series abstraction and summarization methods. Results are confirmed by application for both, the artificial time series and the benchmark time series datasets. The approach is also verified for the real-life time series from the pharmaceutical market.
The performed experiments confirm that the application of the soft computing methods and imprecise information for the construction of the a priori probability distributions of the unknown probabilistic models is a good tool for the analysis and forecasting of short time series.
The marginal goal of the dissertation is to provide a review of the main developments, trends and challenges of the interdisciplinary research on the application of the soft computing methods for the time series forecasting. (Angielski)
Opis w innym języku: Głównym celem rozprawy doktorskiej jest konstrukcja rozkładów prawdopodobieństwa a priori dla modeli probabilistycznych opisujących krótkie szeregi czasowe na podstawie analizy nieprecyzyjnych informacji, uzyskanych z wykorzystaniem nowoczesnych metod eksploracji danych. Drugim celem rozprawy jest opracowanie modelu analizy danych zgodnego z ludzką percepcją i umożliwiającego przełożenie informacji nieprecyzyjnej sformułowanej przez ekspertów danej dziedziny na rozkłady prawdopodobieństwa a priori stosowane w Bayesowskich modelach predykcyjnych.
W rozprawie zaproponowane zostały dwie nowatorskie metody konstrukcji rozkładów prawdopodobieństwa a priori stosowanych w Bayesowskiej analizie szeregów czasowych. Zaproponowane metody oparte są o algorytmy klasyfikacji i uczenia maszynowego oraz zaawansowane algorytmy segmentacji i automatycznych podsumowań dla danych o postaci szeregów czasowych. Skuteczność działania wprowadzonych metod potwierdzona została wynikami eksperymentalnymi dla benchmarkowych zbiorów danych. Przeprowadzono również analizy dla danych rzeczywistych pochodzących z rynku farmaceutycznego.
Wyniki przeprowadzonych eksperymentów dowodzą tezy rozprawy, że zaproponowane metody przetwarzania informacji nieprecyzyjnej do konstrukcji rozkładów prawdopodobieństwa a priori na opisujących szereg czasowy modelach probabilistycznych są dobrym narzędziem do eksploracji i prognozowania krótkich szeregów czasowych.
Pobocznym celem rozprawy jest dokonanie przeglądu osiągnięć´, trendów i wyzwań w interdyscyplinarnych badaniach dotyczących zastosowania „miękkich” metod obliczeń komputerowych w analizie szeregów czasowych. (Polski)
Słowa kluczowe "decision support"@en, "system wspomagania decyzji"@pl, "miękkie metody analizy danych"@pl, "metody Bayesowskie"@pl, "podsumowania lingwistyczne"@pl, "metody uczenia pod nadzorem"@pl, "wybór modeli a priori"@pl, "metody Markowa w łańcuch Monte Carlo"@pl, "miękkie obliczenia"@pl, "abstrakcja szeregów czasowych"@pl, "klasyfikacja danych"@pl, "Bayesian methods"@en, "granular computing (GrC)"@en, "A priori model selection"@pl, "Markov chain Monte Carlo (MCMC) posterior simulation"@pl, "podsumowania lingwistyczne (językowe)"@pl, "obliczenia miękkie"@pl
Klasyfikacja Typ zasobu: praca dyplomowa
Dyscyplina naukowa: dziedzina nauk technicznych / informatyka (2011)
Grupa docelowa: naukowcy, studenci, przedsiębiorcy
Szkodliwe treści: Nie
Charakterystyka Miejsce powstania: Warszawa
Czas powstania: 2014
Liczba stron: 133
Promotor: Olgierd Hryniewicz
Język zasobu: Angielski
Lokalizacja: Warszawa
Licencja CC BY-SA 4.0
Informacje techniczne Deponujący: Justyna Kupczak
Data udostępnienia: 17-10-2018
Kolekcje Kolekcja Instytutu Badań Systemowych PAN w Warszawie, Kolekcja e-Biblio IBS PAN

Cytowanie

Skopiowano

Katarzyna Anna Kaczmarek-Majer. Soft computing methods in the Bayesian analysis of time series. [praca dyplomowa] Dostępny w Atlasie Zasobów Otwartej Nauki, . Licencja: CC BY-SA 4.0, https://creativecommons.org/licenses/by-sa/4.0/legalcode.pl. Data dostępu: DD.MM.RRRR.

Podobne zasoby

Konstrukcja i testowanie automatów rozmytych za pomocą technik metaheurystycznych

Krzysztof Zaniewski, praca dyplomowa, Instytut Badań Systemowych PAN w Warszawie, dziedzina nauk technicznych / informatyka (2011)

Zobacz więcej