bibtype V - Research Report
ARLID 0532023
utime 20240103224402.4
mtime 20200908235959.9
title (primary) (cze) Kombinace prediktorů v odhadování parametrů
publisher
place Praha
name ÚTIA AV ČR
pub_time 2020
specification
page_count 32 s.
media_type P
edition
name Research Report
volume_id 2385
title (eng) Mixing of Predictors in Parameter Estimation
keyword curse of dimensionality
keyword Bayesian estimation
keyword prediction
keyword Markov decision process
keyword decision making
author (primary)
ARLID cav_un_auth*0395350
name1 Podlesna
name2 Yana
country CZ
author
ARLID cav_un_auth*0101124
name1 Kárný
name2 Miroslav
institution UTIA-B
full_dept (cz) Adaptivní systémy
full_dept Department of Adaptive Systems
department (cz) AS
department AS
fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
source
url http://library.utia.cas.cz/separaty/2020/AS/karny-0532023.pdf
cas_special
project
project_id LTC18075
agency GA MŠk
country CZ
ARLID cav_un_auth*0372050
abstract (cze) 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.
abstract (eng) This bachelor thesis deals with the design of the method for solving the curse of dimensionality arising in the quantitative modeling of complex interconnected systems. The employed predictive models are based on a discrete Markov process. Prediction is based on estimating model parameters using Bayesian statistics. This work contains method for reducing the amount of data needed for prediction in systems with a large number of occurring states and actions. Instead of estimating a predictor dependent on all parameters, the method assumes the use of several predictors, which arise from estimating parametric models based on dependences on different regressors. The behavioral properties of the proposed method are illustrated by simulation experiments.
RIV BC
reportyear 2021
mrcbC52 4 O 4o 20231122145106.6
inst_support RVO:67985556
permalink http://hdl.handle.net/11104/0310636
cooperation
ARLID cav_un_auth*0376499
name Fakulta jaderná a fyzikálně inženýrská ČVUT
institution FJFI ČVUT
country CZ
confidential S
arlyear 2020
mrcbTft \nSoubory v repozitáři: 0532023.pdf
mrcbU10 2020
mrcbU10 Praha ÚTIA AV ČR