• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
ФИО студента
Название работы
Руководитель
Факультет
Программа
Оценка
Год защиты
Грунина Татьяна Евгеньевна
Predictive Modeling in Big Data: Learning Multimodal Enviroment with Deep Reinforcement Learning
Системы больших данных
(Магистратура)
2017
Currently neural networks are known to be one of the most powerful supervised learning methods in machine learning, as they show high performance on threshold, ordering and probability metrics among very different datasets, and often beat methods from other families . They are not programmed in a well-known sense, instead they are learning. Their ability to learn being the main advantage in comparison to traditional predictive methods is a task of finding coefficients of relations between the neurons. This gives the neural network the power to reveal the complex relations between the inputs and the outputs, as well as executing generalization. That means that in a case of successful training a neural network can return the right result based on the data which was absent in the training dataset, or was partially biased, noised.

The method is widely used in business applications, including logistics, business planning, prediction of clients behaviour, forecasting, marketing research solutions and even for the optimization of data center cooling infrastructures. Neural networks with online learning also can be applied by financial institutions that deal with KPI tracking or with company inner data consisting of millions of events per second. Analytics capabilities such as live-stream processing and visual analytics have enabled the management boards to act on a constantly updating environment. This can allow to display insights and analysis gained from that data in an approachable to human eye and brain visual format. This fastens and facilitates data-driven decision making.

Deep reinforcement learning is known to be one of the most accurate method to train a neural network solving problems of live-stream processing and visual analytics. Papers on new approaches appears weekly if not daily in the field. Thus we wanted to explore its advantages in details as well as to evaluate the up-to-date methods and check the heuristics.

Выпускные квалификационные работы (ВКР) в НИУ ВШЭ выполняют все студенты в соответствии с университетским Положением и Правилами, определенными каждой образовательной программой.

Аннотации всех ВКР в обязательном порядке публикуются в свободном доступе на корпоративном портале НИУ ВШЭ.

Полный текст ВКР размещается в свободном доступе на портале НИУ ВШЭ только при наличии согласия студента – автора (правообладателя) работы либо, в случае выполнения работы коллективом студентов, при наличии согласия всех соавторов (правообладателей) работы. ВКР после размещения на портале НИУ ВШЭ приобретает статус электронной публикации.

ВКР являются объектами авторских прав, на их использование распространяются ограничения, предусмотренные законодательством Российской Федерации об интеллектуальной собственности.

В случае использования ВКР, в том числе путем цитирования, указание имени автора и источника заимствования обязательно.

Расширенный поиск ВКР