Wiki - Факультет компьютерных наук - Вклад [ru]

Разработка модели многослойной нейронной сети и ее обучение. (проект)

2015-11-21T14:44:36Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Разработка модели многослойной нейронной сети и ее обучение.
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель многослойной нейронной сети с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
- Формулировать постановку задачи 

- Писать надежный и понятный код 

- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети 

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса) 

- Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)

=== Направления развития ===
- Визуализация обучающей выборки, предварительная обработка данных 

- Интеграция с реляционной базой данных

=== Критерии оценки ===
4-5 : реализованная и протестированная модель многослойной нейронной сети и алгоритм обучения (обратного распространения ошибки) 

6-7 : Оптимизация алгоритма обучения посредством автоматической коррекции шага обучения; инициализации весовых коэффициентов. 

8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующим ПО статистической обработки данных)

=== Ориентировочное расписание занятий ===
ВТ 15.00-21.00 ЧТ 15.00-21.00

Разработка модели многослойной нейронной сети и ее обучение. (проект)

2015-11-21T14:44:23Z

Ivan Lisenkov: /* Направления развития */

{{Карточка_проекта
|name=Разработка модели многослойной нейронной сети и ее обучение.
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель многослойной нейронной сети с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
- Формулировать постановку задачи 

- Писать надежный и понятный код 

- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети 

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса) 

- Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)

=== Направления развития ===
- Визуализация обучающей выборки, предварительная обработка данных 

- Интеграция с реляционной базой данных

=== Критерии оценки ===
4-5 : реализованная и протестированная модель многослойной нейронной сети и алгоритм обучения (обратного распространения ошибки)
6-7 : Оптимизация алгоритма обучения посредством автоматической коррекции шага обучения; инициализации весовых коэффициентов.
8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующим ПО статистической обработки данных)

=== Ориентировочное расписание занятий ===
ВТ 15.00-21.00 ЧТ 15.00-21.00

Разработка модели многослойной нейронной сети и ее обучение. (проект)

2015-11-21T14:44:11Z

Ivan Lisenkov: /* Чему вы научитесь? */

{{Карточка_проекта
|name=Разработка модели многослойной нейронной сети и ее обучение.
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель многослойной нейронной сети с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
- Формулировать постановку задачи 

- Писать надежный и понятный код 

- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети 

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса) 

- Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)

=== Направления развития ===
- Визуализация обучающей выборки, предварительная обработка данных
- Интеграция с реляционной базой данных

=== Критерии оценки ===
4-5 : реализованная и протестированная модель многослойной нейронной сети и алгоритм обучения (обратного распространения ошибки)
6-7 : Оптимизация алгоритма обучения посредством автоматической коррекции шага обучения; инициализации весовых коэффициентов.
8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующим ПО статистической обработки данных)

=== Ориентировочное расписание занятий ===
ВТ 15.00-21.00 ЧТ 15.00-21.00

Разработка модели многослойной нейронной сети и ее обучение. (проект)

2015-11-21T14:43:56Z

Ivan Lisenkov: /* Какие начальные требования? */

{{Карточка_проекта
|name=Разработка модели многослойной нейронной сети и ее обучение.
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель многослойной нейронной сети с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код 

- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса) 

- Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)

=== Направления развития ===
- Визуализация обучающей выборки, предварительная обработка данных
- Интеграция с реляционной базой данных

=== Критерии оценки ===
4-5 : реализованная и протестированная модель многослойной нейронной сети и алгоритм обучения (обратного распространения ошибки)
6-7 : Оптимизация алгоритма обучения посредством автоматической коррекции шага обучения; инициализации весовых коэффициентов.
8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующим ПО статистической обработки данных)

=== Ориентировочное расписание занятий ===
ВТ 15.00-21.00 ЧТ 15.00-21.00

Разработка модели многослойной нейронной сети и ее обучение. (проект)

2015-11-21T14:43:46Z

Ivan Lisenkov: /* Чему вы научитесь? */

{{Карточка_проекта
|name=Разработка модели многослойной нейронной сети и ее обучение.
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель многослойной нейронной сети с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код 

- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса)
- Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)

=== Направления развития ===
- Визуализация обучающей выборки, предварительная обработка данных
- Интеграция с реляционной базой данных

=== Критерии оценки ===
4-5 : реализованная и протестированная модель многослойной нейронной сети и алгоритм обучения (обратного распространения ошибки)
6-7 : Оптимизация алгоритма обучения посредством автоматической коррекции шага обучения; инициализации весовых коэффициентов.
8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующим ПО статистической обработки данных)

=== Ориентировочное расписание занятий ===
ВТ 15.00-21.00 ЧТ 15.00-21.00

Разработка модели многослойной нейронной сети и ее обучение. (проект)

2015-11-21T14:43:30Z

Ivan Lisenkov: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Разработка модели многослойной нейронной сети и ее обучение.
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель многослойной нейронной сети с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код
- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса)
- Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки)

=== Направления развития ===
- Визуализация обучающей выборки, предварительная обработка данных
- Интеграция с реляционной базой данных

=== Критерии оценки ===
4-5 : реализованная и протестированная модель многослойной нейронной сети и алгоритм обучения (обратного распространения ошибки)
6-7 : Оптимизация алгоритма обучения посредством автоматической коррекции шага обучения; инициализации весовых коэффициентов.
8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующим ПО статистической обработки данных)

=== Ориентировочное расписание занятий ===
ВТ 15.00-21.00 ЧТ 15.00-21.00

Расчет показателя рыночного риска (VaR) по портфелю финансовых активов (проект)

2015-11-21T14:35:05Z

Ivan Lisenkov: /* Чему вы научитесь? */

{{Карточка_проекта
|name=Расчет показателя рыночного риска (VaR) по портфелю финансовых активов
|mentor=Лисенков Иван
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
В рамках проекта ставится задача разработки программы которая, по портфелю заданных активов (Акции) рассчитывает показатель VAR, который является стоимостной мерой рыночного риска заданного портфеля.

VaR — это величина убытков заданного портфеля, которая с вероятностью, равной уровню доверия (например, 99 %), не будет превышена. Следовательно, в 1 % случаев убыток составит величину, большую чем VaR.

=== Чему вы научитесь? ===
- Формулировать постановку задачи 

- Писать надежный и понятный код 

- Основы работы на глобальных финансовых рынках 

- Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса) 

- Основы статистики и теории вероятности

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса 

- MOEX рыночные данные 

- Yahoo Finance, NASDAQ, NYMEX, CBOT... 

- Google Finance 

=== Темы вводных занятий ===
- Основы финансовой математики и финансовых рынков 

- Элементы статистики и теории вероятности.

=== Направления развития ===
- Расширение источников для получения данных 

- Дополнение программы симуляции дополнительных сценариев с помощью алгоритма MonteCarlo для повыщения точности расчета VaR 

- Интеграция с финансовыми системами для загрузки портфеля инвестиций. 

=== Критерии оценки ===
4-5 : реализованная и протестированная программа, осуществляющая загрузку из файла заданного портфеля и параметров волатильности и корреляции финансовых активов и расчет показателя VaR параметрическим или историческим методом. 

6-7 : Интеграция с одним из указанных внешних источников для получения истории рыночных котировок и расчета векторов волатильности и матрицы корреляции. 

8-10: Реализация режима бэк-тестинга VaR( проверка качества расчета VaR на фактических данных), построение графика бэк-тестинга.

=== Ориентировочное расписание занятий ===
ВТ 15.00 - 21.00 ЧТ 15.00-21.00

Расчет показателя рыночного риска (VaR) по портфелю финансовых активов (проект)

2015-11-21T14:34:52Z

Ivan Lisenkov: /* Какие начальные требования? */

{{Карточка_проекта
|name=Расчет показателя рыночного риска (VaR) по портфелю финансовых активов
|mentor=Лисенков Иван
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
В рамках проекта ставится задача разработки программы которая, по портфелю заданных активов (Акции) рассчитывает показатель VAR, который является стоимостной мерой рыночного риска заданного портфеля.

VaR — это величина убытков заданного портфеля, которая с вероятностью, равной уровню доверия (например, 99 %), не будет превышена. Следовательно, в 1 % случаев убыток составит величину, большую чем VaR.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код
- Основы работы на глобальных финансовых рынках
- Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса) 

- Основы статистики и теории вероятности

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса 

- MOEX рыночные данные 

- Yahoo Finance, NASDAQ, NYMEX, CBOT... 

- Google Finance 

=== Темы вводных занятий ===
- Основы финансовой математики и финансовых рынков 

- Элементы статистики и теории вероятности.

=== Направления развития ===
- Расширение источников для получения данных 

- Дополнение программы симуляции дополнительных сценариев с помощью алгоритма MonteCarlo для повыщения точности расчета VaR 

- Интеграция с финансовыми системами для загрузки портфеля инвестиций. 

=== Критерии оценки ===
4-5 : реализованная и протестированная программа, осуществляющая загрузку из файла заданного портфеля и параметров волатильности и корреляции финансовых активов и расчет показателя VaR параметрическим или историческим методом. 

6-7 : Интеграция с одним из указанных внешних источников для получения истории рыночных котировок и расчета векторов волатильности и матрицы корреляции. 

8-10: Реализация режима бэк-тестинга VaR( проверка качества расчета VaR на фактических данных), построение графика бэк-тестинга.

=== Ориентировочное расписание занятий ===
ВТ 15.00 - 21.00 ЧТ 15.00-21.00

Расчет показателя рыночного риска (VaR) по портфелю финансовых активов (проект)

2015-11-21T14:34:41Z

Ivan Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Расчет показателя рыночного риска (VaR) по портфелю финансовых активов
|mentor=Лисенков Иван
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
В рамках проекта ставится задача разработки программы которая, по портфелю заданных активов (Акции) рассчитывает показатель VAR, который является стоимостной мерой рыночного риска заданного портфеля.

VaR — это величина убытков заданного портфеля, которая с вероятностью, равной уровню доверия (например, 99 %), не будет превышена. Следовательно, в 1 % случаев убыток составит величину, большую чем VaR.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код
- Основы работы на глобальных финансовых рынках
- Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса)
- Основы статистики и теории вероятности

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса 

- MOEX рыночные данные 

- Yahoo Finance, NASDAQ, NYMEX, CBOT... 

- Google Finance 

=== Темы вводных занятий ===
- Основы финансовой математики и финансовых рынков 

- Элементы статистики и теории вероятности.

=== Направления развития ===
- Расширение источников для получения данных 

- Дополнение программы симуляции дополнительных сценариев с помощью алгоритма MonteCarlo для повыщения точности расчета VaR 

- Интеграция с финансовыми системами для загрузки портфеля инвестиций. 

=== Критерии оценки ===
4-5 : реализованная и протестированная программа, осуществляющая загрузку из файла заданного портфеля и параметров волатильности и корреляции финансовых активов и расчет показателя VaR параметрическим или историческим методом. 

6-7 : Интеграция с одним из указанных внешних источников для получения истории рыночных котировок и расчета векторов волатильности и матрицы корреляции. 

8-10: Реализация режима бэк-тестинга VaR( проверка качества расчета VaR на фактических данных), построение графика бэк-тестинга.

=== Ориентировочное расписание занятий ===
ВТ 15.00 - 21.00 ЧТ 15.00-21.00

Расчет показателя рыночного риска (VaR) по портфелю финансовых активов (проект)

2015-11-21T14:34:23Z

Ivan Lisenkov: /* Темы вводных занятий */

{{Карточка_проекта
|name=Расчет показателя рыночного риска (VaR) по портфелю финансовых активов
|mentor=Лисенков Иван
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
В рамках проекта ставится задача разработки программы которая, по портфелю заданных активов (Акции) рассчитывает показатель VAR, который является стоимостной мерой рыночного риска заданного портфеля.

VaR — это величина убытков заданного портфеля, которая с вероятностью, равной уровню доверия (например, 99 %), не будет превышена. Следовательно, в 1 % случаев убыток составит величину, большую чем VaR.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код
- Основы работы на глобальных финансовых рынках
- Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса)
- Основы статистики и теории вероятности

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance

=== Темы вводных занятий ===
- Основы финансовой математики и финансовых рынков 

- Элементы статистики и теории вероятности.

=== Направления развития ===
- Расширение источников для получения данных 

- Дополнение программы симуляции дополнительных сценариев с помощью алгоритма MonteCarlo для повыщения точности расчета VaR 

- Интеграция с финансовыми системами для загрузки портфеля инвестиций. 

=== Критерии оценки ===
4-5 : реализованная и протестированная программа, осуществляющая загрузку из файла заданного портфеля и параметров волатильности и корреляции финансовых активов и расчет показателя VaR параметрическим или историческим методом. 

6-7 : Интеграция с одним из указанных внешних источников для получения истории рыночных котировок и расчета векторов волатильности и матрицы корреляции. 

8-10: Реализация режима бэк-тестинга VaR( проверка качества расчета VaR на фактических данных), построение графика бэк-тестинга.

=== Ориентировочное расписание занятий ===
ВТ 15.00 - 21.00 ЧТ 15.00-21.00

Расчет показателя рыночного риска (VaR) по портфелю финансовых активов (проект)

2015-11-21T14:34:12Z

Ivan Lisenkov: /* Направления развития */

{{Карточка_проекта
|name=Расчет показателя рыночного риска (VaR) по портфелю финансовых активов
|mentor=Лисенков Иван
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
В рамках проекта ставится задача разработки программы которая, по портфелю заданных активов (Акции) рассчитывает показатель VAR, который является стоимостной мерой рыночного риска заданного портфеля.

VaR — это величина убытков заданного портфеля, которая с вероятностью, равной уровню доверия (например, 99 %), не будет превышена. Следовательно, в 1 % случаев убыток составит величину, большую чем VaR.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код
- Основы работы на глобальных финансовых рынках
- Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса)
- Основы статистики и теории вероятности

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance

=== Темы вводных занятий ===
- Основы финансовой математики и финансовых рынков
- Элементы статистики и теории вероятности.

=== Направления развития ===
- Расширение источников для получения данных 

- Дополнение программы симуляции дополнительных сценариев с помощью алгоритма MonteCarlo для повыщения точности расчета VaR 

- Интеграция с финансовыми системами для загрузки портфеля инвестиций. 

=== Критерии оценки ===
4-5 : реализованная и протестированная программа, осуществляющая загрузку из файла заданного портфеля и параметров волатильности и корреляции финансовых активов и расчет показателя VaR параметрическим или историческим методом. 

6-7 : Интеграция с одним из указанных внешних источников для получения истории рыночных котировок и расчета векторов волатильности и матрицы корреляции. 

8-10: Реализация режима бэк-тестинга VaR( проверка качества расчета VaR на фактических данных), построение графика бэк-тестинга.

=== Ориентировочное расписание занятий ===
ВТ 15.00 - 21.00 ЧТ 15.00-21.00

Расчет показателя рыночного риска (VaR) по портфелю финансовых активов (проект)

2015-11-21T14:33:50Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Расчет показателя рыночного риска (VaR) по портфелю финансовых активов
|mentor=Лисенков Иван
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
В рамках проекта ставится задача разработки программы которая, по портфелю заданных активов (Акции) рассчитывает показатель VAR, который является стоимостной мерой рыночного риска заданного портфеля.

VaR — это величина убытков заданного портфеля, которая с вероятностью, равной уровню доверия (например, 99 %), не будет превышена. Следовательно, в 1 % случаев убыток составит величину, большую чем VaR.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код
- Основы работы на глобальных финансовых рынках
- Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса)
- Основы статистики и теории вероятности

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance

=== Темы вводных занятий ===
- Основы финансовой математики и финансовых рынков
- Элементы статистики и теории вероятности.

=== Направления развития ===
- Расширение источников для получения данных
- Дополнение программы симуляции дополнительных сценариев с помощью алгоритма MonteCarlo для повыщения точности расчета VaR
- Интеграция с финансовыми системами для загрузки портфеля инвестиций.

=== Критерии оценки ===
4-5 : реализованная и протестированная программа, осуществляющая загрузку из файла заданного портфеля и параметров волатильности и корреляции финансовых активов и расчет показателя VaR параметрическим или историческим методом. 

6-7 : Интеграция с одним из указанных внешних источников для получения истории рыночных котировок и расчета векторов волатильности и матрицы корреляции. 

8-10: Реализация режима бэк-тестинга VaR( проверка качества расчета VaR на фактических данных), построение графика бэк-тестинга.

=== Ориентировочное расписание занятий ===
ВТ 15.00 - 21.00 ЧТ 15.00-21.00

Расчет показателя рыночного риска (VaR) по портфелю финансовых активов (проект)

2015-11-21T14:32:41Z

Ivan Lisenkov: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Расчет показателя рыночного риска (VaR) по портфелю финансовых активов
|mentor=Лисенков Иван
|mentor_login={{URLENCODE:Ivan Lisenkov|WIKI}}
|semester=Весна 2016
|course=1
|summer=on
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
В рамках проекта ставится задача разработки программы которая, по портфелю заданных активов (Акции) рассчитывает показатель VAR, который является стоимостной мерой рыночного риска заданного портфеля.

VaR — это величина убытков заданного портфеля, которая с вероятностью, равной уровню доверия (например, 99 %), не будет превышена. Следовательно, в 1 % случаев убыток составит величину, большую чем VaR.

=== Чему вы научитесь? ===
- Формулировать постановку задачи
- Писать надежный и понятный код
- Основы работы на глобальных финансовых рынках
- Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
- Программирование на C/C++/Python (в рамках прослушанного курса)
- Основы статистики и теории вероятности

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
- MOEX рыночные данные
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
- Google Finance

=== Темы вводных занятий ===
- Основы финансовой математики и финансовых рынков
- Элементы статистики и теории вероятности.

=== Направления развития ===
- Расширение источников для получения данных
- Дополнение программы симуляции дополнительных сценариев с помощью алгоритма MonteCarlo для повыщения точности расчета VaR
- Интеграция с финансовыми системами для загрузки портфеля инвестиций.

=== Критерии оценки ===
4-5 : реализованная и протестированная программа, осуществляющая загрузку из файла заданного портфеля и параметров волатильности и корреляции финансовых активов и расчет показателя VaR параметрическим или историческим методом.
6-7 : Интеграция с одним из указанных внешних источников для получения истории рыночных котировок и расчета векторов волатильности и матрицы корреляции.
8-10: Реализация режима бэк-тестинга VaR( проверка качества расчета VaR на фактических данных), построение графика бэк-тестинга.

=== Ориентировочное расписание занятий ===
ВТ 15.00 - 21.00 ЧТ 15.00-21.00

Участник:Ivan Lisenkov

2015-11-21T14:10:38Z

Ivan Lisenkov: /* Деятельность */

{{Карточка_ментора
|categorize = yes
}}

== Иван Лисенков ==

[[Файл:Ivan Lisenkov.jpg|500px|центр]]

Machine Learning, Project Management, Financial Risks, Asset Porfolio Management

== Деятельность ==
# Факультет Кибернетики НИЯУ (МИФИ), кафедра Информатика и Процессы Управления: Научная и образовательная деятельность в области Computer Science (Artifical Neuron Networks, Fuzzy Logic)
# Wolters Kluwer Financial Services: разработка финансовых решений в области Protfolio, Risk Management для финансовых организаций.

== Контактная информация ==
Телефон: +7(916)687-87-06

E-mail: ivan.lisenkov@gmail.com

Сервис статистического анализа истории рыночных цен финансовых активов (проект)

2014-12-08T13:31:25Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Сервис статистического анализа истории показателей финансовых рынков
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Индикативный статитистический анализ для поиска эффективных инвестиций. Программа должна получать историю финансовых котировок (из файлов или внешних источников) и рассчитывать следующие показатели для каждого из активов:

* Расчет волатильности по методу GARCH
* Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
* Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основы работы на глобальных финансовых рынках
* Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* MOEX рыночные данные
* Yahoo Finance, NASDAQ, NYMEX, CBOT...
* Google Finance

=== Темы вводных занятий ===
* Основы финансовой математики и финансовых рынков
* Статистическая обработка рыночной информации

=== Направления развития ===
* Расширение источников для получения данных
* Поиск (скрининг) наиболее привлекательных инвестиций на основе расчитаных статистических показателей
* Интеграция с контроллером на основе нечеткой логики для принятия решений о априорно заданных инвестиционных стратегиях

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа осуществляющая загрузку из файла истории цен котировок и расчет показателей Treynor, Sharp, Alfa, Track Error, Alfa, Beta; предварительная обработка временных рядов ( заполнение пропусков в данных линейной интерполяцией, последняя ненулевая цена за прошлые даты, следующая по дате не нулевая цена)
* 6-7 : +Интеграция с одним из указанных внешних источников для получения истории рыночных котировок и текущих котировок.
* 8-10: +Расчет волатильности по методу GARCH; адаптивный подбор параметров для модели GARCH

Сервис статистического анализа истории рыночных цен финансовых активов (проект)

2014-12-08T13:30:17Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Сервис статистического анализа истории показателей финансовых рынков
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Индикативный статитистический анализ для поиска эффективных инвестиций. Программа должна получать историю финансовых котировок (из файлов или внешних источников) и рассчитывать следующие показатели для каждого из активов:

* Расчет волатильности по методу GARCH
* Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
* Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основы работы на глобальных финансовых рынках
* Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* MOEX рыночные данные
* Yahoo Finance, NASDAQ, NYMEX, CBOT...
* Google Finance

=== Темы вводных занятий ===
* Основы финансовой математики и финансовых рынков
* Статистическая обработка рыночной информации

=== Направления развития ===
* Расширение источников для получения данных
* Поиск (скрининг) наиболее привлекательных инвестиций на основе расчитаных статистических показателей
* Интеграция с контроллером на основе нечеткой логики для принятия решений о априорно заданных инвестиционных стратегиях

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа осуществляющая загрузку из файла истории цен котировок и расчет показателей Treynor, Sharp, Alfa, Track Error, Alfa, Beta; предварительная обработка временных рядов ( заполнение пропусков в данных линейной интерполяцией, последняя ненулевая цена за прошлые даты, следующая по дате не нулевая цена)
* 6-7 : +интеграция с одним из указанных внешних источников для получения истории рыночных котировок и текущих котировок.
* 8-10 : + (адаптивный подбор параметров для модели GARCH)

Сервис статистического анализа истории рыночных цен финансовых активов (проект)

2014-12-08T13:23:29Z

Ivan Lisenkov: /* Какие начальные требования? */

{{Карточка_проекта
|name=Сервис статистического анализа истории показателей финансовых рынков
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Индикативный статитистический анализ для поиска эффективных инвестиций. Программа должна получать историю финансовых котировок (из файлов или внешних источников) и рассчитывать следующие показатели для каждого из активов:

* Расчет волатильности по методу GARCH
* Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
* Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основы работы на глобальных финансовых рынках
* Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* MOEX рыночные данные
* Yahoo Finance, NASDAQ, NYMEX, CBOT...
* Google Finance

=== Темы вводных занятий ===
* Основы финансовой математики и финансовых рынков
* Статистическая обработка рыночной информации

=== Направления развития ===
* Расширение источников для получения данных
* Поиск (скрининг) наиболее привлекательных инвестиций на основе расчитаных статистических показателей
* Интеграция с контроллером на основе нечеткой логики для принятия решений о априорно заданных инвестиционных стратегиях

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа осуществляющая загрузку из файла истории цен котировок и расчет указанных показателей; предварительная обработка временных рядов ( заполнение пропусков в данных линейной интерполяцией, последняя ненулевая цена за прошлые даты, следующая по дате не нулевая цена)
* 6-7 : +интеграция с одним из указанных внешних источников для получения истории рыночных котировок и текущих котировок.
* 8-10 : +возможность поиска финансовых показателей и сравнительный анализ (адаптивный подбор параметров для модели GARCH)

Сервис статистического анализа истории рыночных цен финансовых активов (проект)

2014-12-08T13:23:09Z

Ivan Lisenkov: /* Чему вы научитесь? */

{{Карточка_проекта
|name=Сервис статистического анализа истории показателей финансовых рынков
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Индикативный статитистический анализ для поиска эффективных инвестиций. Программа должна получать историю финансовых котировок (из файлов или внешних источников) и рассчитывать следующие показатели для каждого из активов:

* Расчет волатильности по методу GARCH
* Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
* Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основы работы на глобальных финансовых рынках
* Проводить статистический анализ рыночных данных глобальных рынков

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* MOEX рыночные данные
* Yahoo Finance, NASDAQ, NYMEX, CBOT...
* Google Finance

=== Темы вводных занятий ===
* Основы финансовой математики и финансовых рынков
* Статистическая обработка рыночной информации

=== Направления развития ===
* Расширение источников для получения данных
* Поиск (скрининг) наиболее привлекательных инвестиций на основе расчитаных статистических показателей
* Интеграция с контроллером на основе нечеткой логики для принятия решений о априорно заданных инвестиционных стратегиях

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа осуществляющая загрузку из файла истории цен котировок и расчет указанных показателей; предварительная обработка временных рядов ( заполнение пропусков в данных линейной интерполяцией, последняя ненулевая цена за прошлые даты, следующая по дате не нулевая цена)
* 6-7 : +интеграция с одним из указанных внешних источников для получения истории рыночных котировок и текущих котировок.
* 8-10 : +возможность поиска финансовых показателей и сравнительный анализ (адаптивный подбор параметров для модели GARCH)

Сервис статистического анализа истории рыночных цен финансовых активов (проект)

2014-12-08T13:21:33Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Сервис статистического анализа истории показателей финансовых рынков
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Индикативный статитистический анализ для поиска эффективных инвестиций. Программа должна получать историю финансовых котировок (из файлов или внешних источников) и рассчитывать следующие показатели для каждого из активов:

* Расчет волатильности по методу GARCH
* Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
* Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основы работы на глобальных финансовых рынках
* Работать с основными показателями фондового рынка
* Обрабатывать большие объемы входных данных, проводить статистический анализ

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* MOEX рыночные данные
* Yahoo Finance, NASDAQ, NYMEX, CBOT...
* Google Finance

=== Темы вводных занятий ===
* Основы финансовой математики и финансовых рынков
* Статистическая обработка рыночной информации

=== Направления развития ===
* Расширение источников для получения данных
* Поиск (скрининг) наиболее привлекательных инвестиций на основе расчитаных статистических показателей
* Интеграция с контроллером на основе нечеткой логики для принятия решений о априорно заданных инвестиционных стратегиях

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа осуществляющая загрузку из файла истории цен котировок и расчет указанных показателей; предварительная обработка временных рядов ( заполнение пропусков в данных линейной интерполяцией, последняя ненулевая цена за прошлые даты, следующая по дате не нулевая цена)
* 6-7 : +интеграция с одним из указанных внешних источников для получения истории рыночных котировок и текущих котировок.
* 8-10 : +возможность поиска финансовых показателей и сравнительный анализ (адаптивный подбор параметров для модели GARCH)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-08T13:01:06Z

Ivan Lisenkov: /* Направления развития */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Современные методы интерполяции функций

=== Направления развития ===
* Использование функции при оценке справедливой стоимости производных финансовых инструментов
* Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)
* Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)
* Расчет форвардных ставок на заданные тенора (Bootstraping метод)

=== Критерии оценки ===
* 4-5 : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x
* 6-7 : Дополнительно, интерполяция кубическими и квадратичными сплайнами
* 8-10 : Дополнительно, реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-08T13:00:47Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Современные методы интерполяции функций

=== Направления развития ===
* Использование функции при оценке справедливой стоимости производных финансовых инструментов
* Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)
* Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

=== Критерии оценки ===
* 4-5 : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x
* 6-7 : Дополнительно, интерполяция кубическими и квадратичными сплайнами
* 8-10 : Дополнительно, реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-08T13:00:28Z

Ivan Lisenkov: /* Темы вводных занятий */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Современные методы интерполяции функций

=== Направления развития ===
* Использование функции при оценке справедливой стоимости производных финансовых инструментов
* Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)
* Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

=== Критерии оценки ===
* 4-5 : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x
* 6-7 : Дополнительно, интерполяция кубическими и квадратичными сплайнами
* 8-10 : Дополнительно, реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn)), расчет форвардных ставок на заданные тенора (Bootstraping метод)

Разработка программы для синтаксического анализа текста (проект)

2014-12-08T12:39:19Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Разработка программы для синтаксического анализа текста
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Программа поиска правил (нечетких высказываний) в произвольном тексте. Полученные Нечеткие высказывания, должны быть сопоставлены с уже ранее найденными, в случае необходимости должны быть сохранены или обновлены нечеткие высказывания в базе знаний. Подобная программа может стать основой для разработки программы поиска нечетких высказываний в интернет.

Программа должна анализировать входную текстовую информацию с целью поиска нечетких логических высказываний вида:

Если [не|очень|слегка…] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть <ТЕРМ 3>

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* PostgresSQL

=== Темы вводных занятий ===
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Синтаксический разбор естественного текста
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Использование программы для пополнения базы знаний нечеткими правилами, нечеткими и лингвистическими переменными
* Использование программы совместно с контроллером на основе нечеткой логики (Mamdani, Sugeno) для поддержки принятия решений

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа, осуществляющая поиск нечетких высказываний и последующий разбор в виде синтаксического дерева для дальнейшего анализа,
* 6-7 : Дополнительно, выделение лингвистических переменных, термов, модифицированных термов, и сопоставление с уже определенными в базе знаний;
* 8-10 : Дополнительно, сохранение выявленных нечетких высказываний в базе знаний.

Разработка программы для синтаксического анализа текста (проект)

2014-12-08T12:34:12Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Разработка программы для синтаксического анализа текста
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Программа поиска правил (нечетких высказываний) в произвольном тексте. Полученные Нечеткие высказывания, должны быть сопоставлены с уже ранее найденными, в случае необходимости должны быть сохранены или обновлены нечеткие высказывания в базе знаний. Подобная программа может стать основой для разработки программы поиска нечетких высказываний в интернет.

Программа должна анализировать входную текстовую информацию с целью поиска нечетких логических высказываний вида:

Если [не|очень|слегка…] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть <ТЕРМ 3>

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* PostgresSQL

=== Темы вводных занятий ===
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Синтаксический разбор естественного текста
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Использование программы для пополнения базы знаний нечеткими правилами, нечеткими и лингвистическими переменными
* Использование программы совместно с контроллером на основе нечеткой логики (Mamdani, Sugeno) для поддержки принятия решений

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа, осуществляющая поиск нечетких высказываний и последующий разбор в виде синтаксического дерева для дальнейшего анализа,
* 6-7 : Дополнительно, выделение лингвистических переменных, термов, модифицированных термов, и сопоставление с уже определенными в базе знаний; возможность установления синонимов,
* 8-10 : Дополнительно, сохранение выявленных нечетких высказываний в базе знаний.

Разработка программы для синтаксического анализа текста (проект)

2014-12-08T12:27:49Z

Ivan Lisenkov: /* Темы вводных занятий */

{{Карточка_проекта
|name=Разработка программы для синтаксического анализа текста
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Программа поиска правил (нечетких высказываний) в произвольном тексте. Полученные Нечеткие высказывания, должны быть сопоставлены с уже ранее найденными, в случае необходимости должны быть сохранены или обновлены нечеткие высказывания в базе знаний. Подобная программа может стать основой для разработки программы поиска нечетких высказываний в интернет.

Программа должна анализировать входную текстовую информацию с целью поиска нечетких логических высказываний вида:

Если [не|очень|слегка…] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть <ТЕРМ 3>

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* PostgresSQL

=== Темы вводных занятий ===
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Синтаксический разбор естественного текста
* Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

=== Направления развития ===
* Использование программы для пополнения базы знаний нечеткими правилами, нечеткими и лингвистическими переменными
* Использование программы совместно с контроллером на основе нечеткой логики (Mamdani, Sugeno) для поддержки принятия решений

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа, осуществляющая поиск нечетких высказываний и последующий разбор в виде синтаксического дерева для дальнейшего анализа,
* 6-7 : Дополнительно, выделение лингвистических переменных, термов, модифицированных термов, и сопоставление с уже определенными в базе знаний; возможность установления синонимов,
* 8-10 : Дополнительно, сохранение выявленных нечетких высказываний в базе знаний, возможность построения цепочек высказываний.

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:53:41Z

Ivan Lisenkov: /* Темы вводных занятий */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов, расчет форвардных ставок)
* Современные методы интерполяции функций

=== Направления развития ===
* Использование функции при оценке справедливой стоимости производных финансовых инструментов
* Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)
* Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

=== Критерии оценки ===
* 4-5 : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x
* 6-7 : Дополнительно, интерполяция кубическими и квадратичными сплайнами
* 8-10 : Дополнительно, реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn)), расчет форвардных ставок на заданные тенора (Bootstraping метод)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:52:55Z

Ivan Lisenkov: /* Направления развития */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)
* Современные методы интерполяции функций

=== Направления развития ===
* Использование функции при оценке справедливой стоимости производных финансовых инструментов
* Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)
* Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

=== Критерии оценки ===
* 4-5 : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x
* 6-7 : Дополнительно, интерполяция кубическими и квадратичными сплайнами
* 8-10 : Дополнительно, реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn)), расчет форвардных ставок на заданные тенора (Bootstraping метод)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:52:36Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)
* Современные методы интерполяции функций

=== Направления развития ===
* Использование функции при оценке справедливой стоимости производных финансовых инструментов
* Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)
* Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)
* Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
* 4-5 : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x
* 6-7 : Дополнительно, интерполяция кубическими и квадратичными сплайнами
* 8-10 : Дополнительно, реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn)), расчет форвардных ставок на заданные тенора (Bootstraping метод)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:52:19Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)
* Современные методы интерполяции функций

=== Направления развития ===
* Использование функции при оценке справедливой стоимости производных финансовых инструментов
* Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)
* Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)
* Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
* 4-5 : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x
* 6-7 : Дополнительно, интерполяция кубическими и квадратичными сплайнами
* 8-10 : Дополнительно, реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn)), расчет форвардных ставок на заданные тенора (Bootstrapping метод)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:49:10Z

Ivan Lisenkov: /* Направления развития */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)
* Современные методы интерполяции функций

=== Направления развития ===
* Использование функции при оценке справедливой стоимости производных финансовых инструментов
* Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)
* Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)
* Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:48:46Z

Ivan Lisenkov: /* Темы вводных занятий */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)
* Современные методы интерполяции функций

=== Направления развития ===
- Использование функции при оценке справедливой стоимости производных финансовых инструментов

- Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)

- Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

- Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:48:31Z

Ivan Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
- Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)

- Современные методы интерполяции функций

=== Направления развития ===
- Использование функции при оценке справедливой стоимости производных финансовых инструментов

- Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)

- Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

- Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:48:15Z

Ivan Lisenkov: /* Какие начальные требования? */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
- Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)

- Современные методы интерполяции функций

=== Направления развития ===
- Использование функции при оценке справедливой стоимости производных финансовых инструментов

- Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)

- Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

- Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:48:00Z

Ivan Lisenkov: /* Чему вы научитесь? */

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
- Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)

- Современные методы интерполяции функций

=== Направления развития ===
- Использование функции при оценке справедливой стоимости производных финансовых инструментов

- Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)

- Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

- Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:46:58Z

Ivan Lisenkov:

{{Карточка_проекта
|name=Библиотека для интерполяции кривой по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
- Формулировать постановку задачи

- Писать надежный и понятный код

- Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
- Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)

- Современные методы интерполяции функций

=== Направления развития ===
- Использование функции при оценке справедливой стоимости производных финансовых инструментов

- Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)

- Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

- Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:44:26Z

Ivan Lisenkov:

{{Карточка_проекта
|name=Библиотека для интерполяции кривой, построенной по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:{{REVISIONUSER}}|WIKI}}
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
- Формулировать постановку задачи

- Писать надежный и понятный код

- Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
- Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)

- Современные методы интерполяции функций

=== Направления развития ===
- Использование функции при оценке справедливой стоимости производных финансовых инструментов

- Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)

- Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

- Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:42:59Z

Ivan Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:{{REVISIONUSER}}|WIKI}}
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
- Формулировать постановку задачи

- Писать надежный и понятный код

- Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
- Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)

- Современные методы интерполяции функций

=== Направления развития ===
- Использование функции при оценке справедливой стоимости производных финансовых инструментов

- Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)

- Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

- Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам (проект)

2014-12-01T14:42:10Z

Ivan Lisenkov: /* Что это за проект? */

{{Карточка_проекта
|name=Разработка функции/библиотеки интерполяции кривой, построенной по априорно заданным точкам
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:{{REVISIONUSER}}|WIKI}}
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла). Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования) которые в свою очередь используются для расчета справедливых цен (Fair Value) производных инструментов (plain vanial опционов, interest rate swaps и т.д), при дисконтировании будущих платежей. Так же подобная функция может использоваться для описания функций принадлежности контроллера нечеткой логики, и использоваться для более гибкого и точного определния функции принадлежности нечеткой переменной. Важное требование для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима реализация, помимо линейной интерполяции, интерполяция с помощью квадратичных и кубических сплайнов.

=== Чему вы научитесь? ===
- Формулировать постановку задачи

- Писать надежный и понятный код

- Алгоритмы интерполяции. Численные методы.

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
git, github gtest

=== Темы вводных занятий ===
- Основы финансовой математики (Дисконтирование платежей, справедливая оценка финансовых инструментов)

- Современные методы интерполяции функций

=== Направления развития ===
- Использование функции при оценке справедливой стоимости производных финансовых инструментов

- Использование функции в контроллере нечеткой логики (Mamdani, Sugeno)

- Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

- Расчет форвардных ставок используя Bootstraping алгоритм

=== Критерии оценки ===
"удовл” : программа загружающая информацию из файла (массив точек) и реализующая функцию y = f(x) на основе линейной интерполяции; возможность потокового вычисления (из файла) значений функции по массиву точек x

“хор” : +интерполяция кубическими и квадратичными сплайнами

“отл” : +реализация многомерной поверхности (т.е. функции y = f (x1, x2...xn))

+ Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)

Разработка программы для синтаксического анализа текста (проект)

2014-12-01T14:40:07Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Разработка программы для синтаксического анализа текста
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Программа поиска правил (нечетких высказываний) в произвольном тексте. Полученные Нечеткие высказывания, должны быть сопоставлены с уже ранее найденными, в случае необходимости должны быть сохранены или обновлены нечеткие высказывания в базе знаний. Подобная программа может стать основой для разработки программы поиска нечетких высказываний в интернет.

Программа должна анализировать входную текстовую информацию с целью поиска нечетких логических высказываний вида:

Если [не|очень|слегка…] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть <ТЕРМ 3>

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* PostgresSQL

=== Темы вводных занятий ===
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Синтаксический разбор естественного текста

=== Направления развития ===
* Использование программы для пополнения базы знаний нечеткими правилами, нечеткими и лингвистическими переменными
* Использование программы совместно с контроллером на основе нечеткой логики (Mamdani, Sugeno) для поддержки принятия решений

=== Критерии оценки ===
* 4-5 : реализованная и протестированная программа, осуществляющая поиск нечетких высказываний и последующий разбор в виде синтаксического дерева для дальнейшего анализа,
* 6-7 : Дополнительно, выделение лингвистических переменных, термов, модифицированных термов, и сопоставление с уже определенными в базе знаний; возможность установления синонимов,
* 8-10 : Дополнительно, сохранение выявленных нечетких высказываний в базе знаний, возможность построения цепочек высказываний.

Разработка программы для синтаксического анализа текста (проект)

2014-12-01T14:39:16Z

Ivan Lisenkov: /* Направления развития */

{{Карточка_проекта
|name=Разработка программы для синтаксического анализа текста
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Программа поиска правил (нечетких высказываний) в произвольном тексте. Полученные Нечеткие высказывания, должны быть сопоставлены с уже ранее найденными, в случае необходимости должны быть сохранены или обновлены нечеткие высказывания в базе знаний. Подобная программа может стать основой для разработки программы поиска нечетких высказываний в интернет.

Программа должна анализировать входную текстовую информацию с целью поиска нечетких логических высказываний вида:

Если [не|очень|слегка…] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть <ТЕРМ 3>

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* PostgresSQL

=== Темы вводных занятий ===
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Синтаксический разбор естественного текста

=== Направления развития ===
* Использование программы для пополнения базы знаний нечеткими правилами, нечеткими и лингвистическими переменными
* Использование программы совместно с контроллером на основе нечеткой логики (Mamdani, Sugeno) для поддержки принятия решений

=== Критерии оценки ===
* "удовл” : реализованная и протестированная программа, осуществляющая поиск нечетких высказываний и последующий разбор в виде синтаксического дерева для дальнейшего анализа,
* “хор” : + выделение лингвистических переменных, термов, модифицированных термов, и сопоставление с уже определенными в базе знаний; возможность установления синонимов,
* “отл” : + сохранение выявленных нечетких высказываний в базе знаний, возможность построения цепочек высказываний.

Разработка программы для синтаксического анализа текста (проект)

2014-12-01T14:37:43Z

Ivan Lisenkov: /* Что это за проект? */

{{Карточка_проекта
|name=Разработка программы для синтаксического анализа текста
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Программа поиска правил (нечетких высказываний) в произвольном тексте. Полученные Нечеткие высказывания, должны быть сопоставлены с уже ранее найденными, в случае необходимости должны быть сохранены или обновлены нечеткие высказывания в базе знаний. Подобная программа может стать основой для разработки программы поиска нечетких высказываний в интернет.

Программа должна анализировать входную текстовую информацию с целью поиска нечетких логических высказываний вида:

Если [не|очень|слегка…] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2> есть <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть <ТЕРМ 3>

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* PostgresSQL

=== Темы вводных занятий ===
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Синтаксический разбор естественного текста

=== Направления развития ===
* Использование программы для пополнения базы знаний нечеткими правилами, нечеткими и лингвистическими переменными
* Использование программы совместно с контроллером на основе нечеткой логики (Mamdani, Sugeno)

=== Критерии оценки ===
* "удовл” : реализованная и протестированная программа, осуществляющая поиск нечетких высказываний и последующий разбор в виде синтаксического дерева для дальнейшего анализа,
* “хор” : + выделение лингвистических переменных, термов, модифицированных термов, и сопоставление с уже определенными в базе знаний; возможность установления синонимов,
* “отл” : + сохранение выявленных нечетких высказываний в базе знаний, возможность построения цепочек высказываний.

Разработка модели персептрона Розенблатта (проект)

2014-12-01T14:31:45Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Разработка модели персептрона Розенблатта
|mentor=Лисенков Иван
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель пересептрона Розенблатта с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основам теории нейронных сетей на примере классической модели Перспетрона Розенблатта

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)
* Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Алгоритм обучения перспетрона Розенблатта)

=== Направления развития ===
* Визуализация обучающей выборки, предварительная обработка данных
* Разработка модели нейронной сети с одним скрытым слоем, и реализация алгоритма обратного распространения ошибки (Back-propagation algorithm, deep learning)
* Интеграция с реляционной базой данных

=== Критерии оценки ===
* 4-5 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) для двухмерного случая (входной вектор обучающей выборки X1 и X2);
* 6-7 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) как для двухмерного, так и для n-мерного случая
* 8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующим ПО статистической обработки данных)

Разработка модели персептрона Розенблатта (проект)

2014-12-01T14:31:10Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Разработка модели персептрона Розенблатта
|mentor=Лисенков Иван
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель пересептрона Розенблатта с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основам теории нейронных сетей на примере классической модели Перспетрона Розенблатта

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)
* Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Алгоритм обучения перспетрона Розенблатта)

=== Направления развития ===
* Визуализация обучающей выборки, предварительная обработка данных
* Разработка модели нейронной сети с одним скрытым слоем, и реализация алгоритма обратного распространения ошибки (Back-propagation algorithm, deep learning)
* Интеграция с реляционной базой данных

=== Критерии оценки ===
* 4-5 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) для двухмерного случая (входной вектор обучающей выборки X1 и X2);
* 6-7 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) как для двухмерного, так и для n-мерного случая
* 8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующими пакетами обработки данных)

Разработка модели персептрона Розенблатта (проект)

2014-12-01T14:30:18Z

Ivan Lisenkov: /* Какие начальные требования? */

{{Карточка_проекта
|name=Разработка модели персептрона Розенблатта
|mentor=Лисенков Иван
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель пересептрона Розенблатта с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основам теории нейронных сетей на примере классической модели Перспетрона Розенблатта

=== Какие начальные требования? ===
* Программирование на C/C++/Python (в рамках прослушанного курса)
* Желание разобираться в современных алгоритмах теории искуственных нейронных сетей

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Алгоритм обучения перспетрона Розенблатта)

=== Направления развития ===
* Визуализация обучающей выборки, предварительная обработка данных
* Разработка модели нейронной сети с одним скрытым слоем, и реализация алгоритма обратного распространения ошибки (Back-propagation algorithm, deep learning)
* Интеграция с реляционной базой данных

=== Критерии оценки ===
* 4-5 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) для двухмерного случая (входной вектор обучающей выборки X1 и X2);
* 6-7 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) как для двухмерного, так и для n-мерного случая
* 8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), + работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующими пакетами обработки данных)

Разработка модели персептрона Розенблатта (проект)

2014-12-01T14:29:15Z

Ivan Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Разработка модели персептрона Розенблатта
|mentor=Лисенков Иван
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель пересептрона Розенблатта с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основам теории нейронных сетей на примере классической модели Перспетрона Розенблатта

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса

=== Темы вводных занятий ===
* Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Алгоритм обучения перспетрона Розенблатта)

=== Направления развития ===
* Визуализация обучающей выборки, предварительная обработка данных
* Разработка модели нейронной сети с одним скрытым слоем, и реализация алгоритма обратного распространения ошибки (Back-propagation algorithm, deep learning)
* Интеграция с реляционной базой данных

=== Критерии оценки ===
* 4-5 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) для двухмерного случая (входной вектор обучающей выборки X1 и X2);
* 6-7 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) как для двухмерного, так и для n-мерного случая
* 8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), + работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующими пакетами обработки данных)

Разработка модели персептрона Розенблатта (проект)

2014-12-01T14:28:26Z

Ivan Lisenkov: /* Критерии оценки */

{{Карточка_проекта
|name=Разработка модели персептрона Розенблатта
|mentor=Лисенков Иван
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Разработать приложение моделирующую классическую модель пересептрона Розенблатта с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Писать надежный и понятный код
* Основам теории нейронных сетей на примере классической модели Перспетрона Розенблатта

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* git, github
* gtest

=== Темы вводных занятий ===
* Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Алгоритм обучения перспетрона Розенблатта)

=== Направления развития ===
* Визуализация обучающей выборки, предварительная обработка данных
* Разработка модели нейронной сети с одним скрытым слоем, и реализация алгоритма обратного распространения ошибки (Back-propagation algorithm, deep learning)
* Интеграция с реляционной базой данных

=== Критерии оценки ===
* 4-5 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) для двухмерного случая (входной вектор обучающей выборки X1 и X2);
* 6-7 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) как для двухмерного, так и для n-мерного случая
* 8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), + работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующими пакетами обработки данных)

Разработка программы для синтаксического анализа текста (проект)

2014-12-01T14:24:59Z

Ivan Lisenkov: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Разработка программы для синтаксического анализа текста
|mentor=Иван Лисенков
|mentor_login=Ivan_Lisenkov
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Программа поиска правил (нечетких высказываний) в произвольном тексте. Полученные Нечеткие высказывания, должны быть сопоставлены с уже ранее найденными, в случае необходимости должны быть сохранены или обновлены нечеткие высказывания в базе знаний. Подобная программа может стать основой для разработки программы поиска нечетких высказываний в интернет.

Программа должна анализировать входную текстовую информацию с целью поиска нечетких логических высказываний вида:
Если [не

=== Чему вы научитесь? ===
* Формулировать постановку задачи
* Основам теории нечеткой логики (Fuzzy Logic)
* Современным подходам контекстного поиска и синтаксического разбора текста
* Писать надежный и понятный код
* Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
* C++ / Python в рамках прослушанного курса
* PostgresSQL

=== Темы вводных занятий ===
* Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)
* Синтаксический разбор естественного текста

=== Направления развития ===
* Использование программы для пополнения базы знаний нечеткими правилами, нечеткими и лингвистическими переменными
* Использование программы совместно с контроллером на основе нечеткой логики (Mamdani, Sugeno)

=== Критерии оценки ===
* "удовл” : реализованная и протестированная программа, осуществляющая поиск нечетких высказываний и последующий разбор в виде синтаксического дерева для дальнейшего анализа,
* “хор” : + выделение лингвистических переменных, термов, модифицированных термов, и сопоставление с уже определенными в базе знаний; возможность установления синонимов,
* “отл” : + сохранение выявленных нечетких высказываний в базе знаний, возможность построения цепочек высказываний.

Участник:Ivan Lisenkov

2014-12-01T14:21:30Z

Ivan Lisenkov:

== Иван Лисенков ==

[[Файл:Ivan Lisenkov.jpg|500px|центр]]

Machine Learning, Project Management, Financial Risks, Asset Porfolio Management

== Деятельность ==
# Факультет Кибернетики НИЯУ (МИФИ), кафедра Информатика и Процессы Управления: Научная и образовательная деятельность в области Computer Science (Artifical Neuron Networks, Fuzzy Logic)
# Murex Software: разработка финансовых решений в области Protfolio, Risk Management для финансовых организаций.

== Контактная информация ==
Телефон: +7(916)687-87-06

E-mail: ivan.lisenkov@gmail.com

Файл:Ivan Lisenkov.jpg

2014-12-01T14:20:10Z

Ivan Lisenkov:

Сервис статистического анализа истории рыночных цен финансовых активов (проект)

2014-11-26T22:11:58Z

Ivan Lisenkov:

{{Карточка_проекта
|name=Сервис статистического анализа истории показателей финансовых рынков
|mentor=Иван Лисенков
|mentor_login={{URLENCODE:{{REVISIONUSER}}|WIKI}}
|semester=Весна 2015
|course=1
|summer=
|categorize=yes
}}

=== Что это за проект? ===
Индикативный статитистический анализ для поиска эффективных инвестиций. Программа должна получать историю финансовых котировок (из файлов или внешних источников) и рассчитывать следующие показатели для каждого из активов:

- Расчет волатильности по методу GARCH
- Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)
- Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)

=== Чему вы научитесь? ===
- Формулировать постановку задачи

- Писать надежный и понятный код

- Основы работы на глобальных финансовых рынках

- Работать с основными показателями фондового рынка

- Обрабатывать большие объемы входных данных, проводить статистический анализ

=== Какие начальные требования? ===
Программирование на C/C++/Python (в рамках прослушанного курса)

=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса

- MOEX рыночные данные

- Yahoo Finance, NASDAQ, NYMEX, CBOT...

- GoogleFinance()

=== Темы вводных занятий ===
- Основы финансовой математики и финансовых рынков

- Статистическая обработка рыночной информации

=== Направления развития ===
- Расширение источников для получения данных

- Поиск(Скрининг) наиболее привлекательных инвестиций на основе расчитаных статистических показателей

- Интеграция с контроллером на основе нечеткой логики для принятия решений о априорно заданных инвестиционных стратегиях

=== Критерии оценки ===
"удовл” : реализованная и протестированная программа осуществляющая загрузку из файла истории цен котировок и расчет указанных показателей; предварительная обработка временных рядов ( заполнение гапов, восстановление данных, проверка на непротиворечивость)

“хор” : +интеграция с одним из указанных внешних источников для получения истории рыночных котировок и текущих котировок.

“отл” : +возможность скрининга финансовых показателей и сравнительный анализ (адаптивный подбор параметров для модели GARCH)