یان لیکان در این سخنرانی
شبکه های رقابتی مولد
یا
Generative Adversarial Networks
را مهم ترین ایده در 20 سال گذشته برای یادگیری ماشین بیان کرده است.

روشی که مدلها را قادر به یادگیری بدون ناظر می‌کند.

The major advancements in Deep Learning in 2016
🔗https://tryolabs.com/blog/2016/12/06/major-advancements-deep-learning-2016/

Generative Adversarial Nets
https://arxiv.org/pdf/1406.2661v1.pdf

این روش برای مسائل با تعداد کم و ناکافی داده ی با برچسب نیز مناسب است.
#autoencoder #unsupervised #unsupervised_learning #Generative #Generative_Models

Generative Adversarial Denoising Autoencoder for #Face Completion
pic: http://www.cc.gatech.edu/~hays/7476/projects/Avery_Wenchen/images/one.png

🔗http://www.cc.gatech.edu/~hays/7476/projects/Avery_Wenchen/
#GAN
#Generative #adversarial #Generative_Models #Autoencoder

#آموزش
Extreme Rare Event Classification using Autoencoders in Keras

قبلا در https://xn--r1a.website/cvision/1236 در مورد unbalanced dataset ها بحث شد،
اما در دیتابیسهایی مثل حالت هایی که دنبال anomaly هستیم، تو شرایط خیلی بحرانی کلاس مثبت ممکنه ۱ درصد کل داده را تشکیل بده و همه نمونه ها منفی باشه،
در این کار یک #autoencoder روی داده های منفی آموزش داده، و روی خطای reconstruction دیتا، یک طبقه بند برای تشخیص anomaly آموزش داده...

https://towardsdatascience.com/extreme-rare-event-classification-using-autoencoders-in-keras-a565b386f098

یادگیری ماشین؛ نسل جدید پیش‌بینی منحنی بازده و مدیریت مدت‌زمان

در بازارهایی مثل ایران که نرخ‌های بهره به محدوده‌های بالایی رسیده‌اند، مدیریت مدت‌زمان و پیش‌بینی ساختار زمانی نرخ‌ها تبدیل به یکی از چالش‌های اصلی فعالان حوزهٔ #ریسک، ALM و مدیریت پرتفوی شده است. در چنین محیطی، رفتار منحنی بازده به‌شدت #غیر_خطی و حساس است و مدل‌های سنتی همیشه پاسخ‌گو نیستند.
به‌عنوان کسی که سال‌ها روی ساخت مدل‌های داده‌محور و ابزارهای ML برای تحلیل بازارها کار کرده‌ام، همیشه برایم مهم بوده که ببینم ترکیب مدل‌های کلاسیک با معماری‌های مدرن یادگیری ماشین تا چه حد می‌تواند در محیط‌های با نرخ بهره بالا ارزش ایجاد کند.
اخیراً مقاله‌ای با عنوان: Data-Driven Duration Management: Term Structure Forecasting Using Machine Learning از Tobias Lausser، Joao Eduardo Vuolo و Rudi Zagst منتشر شده که دقیقاً همین موضوع را بررسی می‌کند.
دو نکتهٔ کلیدی مقاله که برای بازار ایران اهمیت ویژه دارد:
برای بازار آمریکا: بهترین مدل، یک شبکهٔ عصبی direct forecasting است که
فاکتورهای DNS را برای کاهش ابعاد داده‌های نرخ صفر استفاده می‌کند، و
یک Autoencoder را برای استخراج ویژگی‌های کلان اقتصادی به‌کار می‌گیرد. این ترکیب باعث می‌شود مدل هم ساختار منحنی را بهتر بفهمد و هم اثرات تورم، سیاست پولی و سیکل‌های اقتصادی را به‌صورت فشرده و بدون نویز وارد پیش‌بینی کند.
چرا این موضوع برای ایران مهم است؟
در محیط‌هایی با نرخ بهره بسیار بالا:
رفتار منحنی بازده به‌شدت تحت تأثیر متغیرهای کلان است.
نویز داده‌ها زیاد است و کاهش ابعاد (DNS یا PCA) ضروری می‌شود.
استفاده از #Autoencoder برای استخراج ویژگی‌های کلان می‌تواند کمک کند اثرات تورم، سیاست‌های بانک مرکزی، نقدینگی و شوک‌های اقتصادی به‌شکل فشرده و قابل‌استفاده وارد مدل شوند.
به‌نظر من، این نوع رویکرد ترکیبی می‌تواند پایهٔ نسل جدید ابزارهای مدیریت ریسک و ساخت پرتفوی در بازارهای با نرخ بهره بالا باشد؛ مخصوصاً در ایران که دینامیک‌های کلان نقش بسیار پررنگی در شکل‌گیری منحنی بازده دارند. https://www.linkedin.com/feed/update/urn:li:activity:7478336398442430464/