Искусственный интеллект в оценке стоимости — различия между версиями

Материал из wiki по квалификационному экзамену Оценщиков
Перейти к: навигация, поиск
(Bootstrapping)
(TG)
Строка 15: Строка 15:
 
# нейронные сети: перцептрон, свёрточные.
 
# нейронные сети: перцептрон, свёрточные.
  
Обсуждение: https://www.facebook.com/groups/1977067932456703/?ref=share
+
Обсуждение:
 +
https://www.facebook.com/groups/1977067932456703/?ref=share
 +
https://t.me/AIinValuation
  
 
Материалы:
 
Материалы:

Версия 10:07, 8 марта 2023

Искусственный интеллект в оценке стоимости

Цель: разработка систем поддержки принятия решений при оценке стоимости, основанных на искусственном интеллекте.

Задачи:

  1. автоматизированный сбор данных;
  2. геокодирование;
  3. описание свойств рынка;
  4. проверка статистических гипотез о свойствах рынка;
  5. задачи классификации: кластерный анализ, метод k-средних и т. д.;
  6. задачи снижения размерности;
  7. методы параметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
  8. методы непараметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
  9. методы машинного обучения: решающие деревья, их леса, градиентный бустинг.
  10. нейронные сети: перцептрон, свёрточные.

Обсуждение: https://www.facebook.com/groups/1977067932456703/?ref=share https://t.me/AIinValuation

Материалы: Statistics, Machine Learning, Data Mining and Artificial Intelligence in Valuation

git clone https://github.com/Kirill-Murashev/AI_for_valuers_book

git clone https://github.com/Kirill-Murashev/AI_for_valuers_R_source

git clone https://github.com/Kirill-Murashev/AI_for_valuers_Python_source

Отдельные работы: 1. Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости (http://kvalexam.ru/images/7/78/Frequentist-and-Bayesian-probability.pdf)

2. Обоснование необходимости вычитания единицы при расчёте выборочной дисперсии (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Sample-variance/Sample-variance-subtract-one.md)

3. Практическое применения U-критерия Wilcoxon-Mann-Whitney в оценочной деятельности (https://github.com/Kirill-Murashev/AI_for_valuers_book/tree/main/Parts-Chapters/Mann-Whitney-Wilcoxon)

4. Приведение данных, имеющих распределение отличного от нормального, к нормальному путём преобразования Box-Cox (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Box-Cox-R/Box-Cox-transformation.md)

5. Обработка выбросов в рыночных данных (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Outliers-handling/Outliers.ipynb)

6. Электронная таблица для преобразования рыночных данных по методу Box-Cox, а также вычисления оптимального значения лямбда (https://web.tresorit.com/l/gMSV3#lZ4ZYpX6SWR9mWF1GK3bVg)

7. Электронная таблица для проверки нормальности распределения рыночных данных (на данный момент реализованы методы Шапиро-Уилка, Андерсона-Дарлинга, Харке-Бера, Колмогорова-Смирнова, Хи-квадрат) (https://drive.google.com/file/d/1Ft8VtvlpXALMmcqExKipWgD_bGZwK5r1/view?usp=sharing)

8. Электронная таблица для расчёта трёх коэффициентов корреляции: Пирсона, Спирмена, Кендалла (https://drive.google.com/file/d/1hqxxA4_7HjkisNTEi4-fKaQnvcmKBXVi/view?usp=sharing)

9. Jaccknife resampling. При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python. Английская, испанская и русская версии материала.

10. Бутсрап в оценке стоимости. Материал о применении бутстрапа в оценочной деятельности на примере разработки элементов кредитной политики небольшого банка. В целом можно сказать, что данный метод является одним из краеугольных камней машинного обучения и может быть использован практически повсеместно в повседневной практике оценщиков. Материал состоит из небольшой теоретической части, а также кода на языке Python. Доступен на английском, испанском и русском языках.