Využití metod strojového učení v úlohách stochastické optimalizace s endogenní náhodou
| Název práce v češtině: | Využití metod strojového učení v úlohách stochastické optimalizace s endogenní náhodou |
|---|---|
| Název v anglickém jazyce: | Machine learning methods in stochastic optimization problems with endogenous randomness |
| Akademický rok vypsání: | 2023/2024 |
| Typ práce: | disertační práce |
| Jazyk práce: | |
| Ústav: | Katedra pravděpodobnosti a matematické statistiky (32-KPMS) |
| Vedoucí / školitel: | doc. RNDr. Ing. Miloš Kopa, Ph.D. |
| Řešitel: |
| Zásady pro vypracování |
| Doktorand se seznámí s technikami strojového učení vhodnými pro řešení vybraných stochastických optimalizačních problémů. Poté se zaměří na jejich využití v případě kdy je v modelu přítomna endogenní náhoda. Bude zkoumat možnosti využití těchto technik pri řešení úloh s endogenní náhodou i při jejich následné analýze stability a citlivosti. Rozšíří známé koncepty o nové přístupy robustnosti z různych úhlů pohledu, např. stochastické dominance či worst-case případu. |
| Seznam odborné literatury |
| [1] A. Ruszczyński, A. Shapiro (eds.): Stochastic programming. Elsevier, 2003.
[2] A. Shapiro, D. Dentcheva, A. Ruszczyński: Lectures on stochastic programming. Modeling and theory. MPS/SIAM Series on Optimization 9. Philadelphia: Society for Industrial and Applied Mathematics, 2009. [3] M. Kopa, T. Rusy. A decision-dependent randomness stochastic program for asset-liability management model with a pricing decision, Annals of Operations Research, 299(1-2), pages 241-271, 2021. [4] M. Kopa, T. Rusy. Robustness of stochastic programs with endogenous randomness via contamination, European Journal of Operational Research, 305, pages 1259-1272, 2023. [5] K. P. Murphy: Machine Learning: a Probabilistic Perspective. MIT Press, 2012. [6] I. Goodfellow, Y. Bengio & A. Courville: Deep Learning. MIT Press, 2016. [7] E. Alpaydin: Introduction to Machine Learning, The MIT Press, 2004 [8] P. Kall, J. Mayer: Stochastic linear programming. Models, theory and computation, Springer, 2005 [9] T. Mitchell: Machine Learning. McGraw Hill, 1997 |