Hierarchiczna rekonstrukcja korelacji - między statystykami a uczeniem maszynowym

Chociaż techniki uczenia maszynowego są bardzo potężne, mają pewne słabości, takie jak iteracyjna optymalizacja z wieloma lokalnymi minimami, duża swoboda parametrów, brak ich interpretowalności i kontrola dokładności. Z drugiej strony mamy klasyczne statystyki oparte na momentach, które nie mają tych problemów, ale dostarczają tylko przybliżonego opisu. W trakcie seminarium zostanie przedstawione podejście, które łączy ich zalety: z optymalnymi współczynnikami momentu MSE, ale zaprojektowanymi w taki sposób, że możemy je bezpośrednio przekształcić w gęstość prawdopodobieństwa. Dla przypadku wielowymiarowego taka podstawa momentów mieszanych asymptotycznie pozwala na dokładną rekonstrukcję dowolnej wspólnej dystrybucji, każdy współczynnik może być niezależnie i tanio oszacowany, ma jasną interpretację i mamy pewną kontrolę nad jego dokładnością. Przedstawione zostaną również jego dwie aplikacje: systematyczne ulepszanie modelowania ARMA / ARCH dla dowolnych momentów mieszanych i niestacjonarnych szeregów czasowych oraz ocena wiarygodności danych dotyczących dochodów: modelowanie ciągłego rozkładu prawdopodobieństwa warunkowego z dużej liczby zmiennych różnych typów. Slajdy dostępne pod adresem: https://www.dropbox.com/s/7u6f2zpreph6j8o/rapid.pdf