論文の概要: Supervised Machine Learning Techniques: An Overview with Applications to Banking

• arxiv url: http://arxiv.org/abs/2008.04059v1
• Date: Tue, 28 Jul 2020 23:39:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:01:27.009865
• Title: Supervised Machine Learning Techniques: An Overview with Applications to Banking
• Title（参考訳）: supervised machine learning technique: a overview with applications to banking
• Authors: Linwei Hu, Jie Chen, Joel Vaughan, Hanyu Yang, Kelly Wang, Agus Sudjianto, Vijayan N. Nair
• Abstract要約: この記事では、銀行業務のアプリケーションに焦点を当てたSupervised Machine Learningの概要を紹介する。 対象とするテクニックには、バッグング(Random Forest、RF)、ブースティング(Gradient Boosting Machine、GBM)、ニューラルネットワーク(NN)などがある。
• 参考スコア（独自算出の注目度）: 7.576036492171967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article provides an overview of Supervised Machine Learning (SML) with a focus on applications to banking. The SML techniques covered include Bagging (Random Forest or RF), Boosting (Gradient Boosting Machine or GBM) and Neural Networks (NNs). We begin with an introduction to ML tasks and techniques. This is followed by a description of: i) tree-based ensemble algorithms including Bagging with RF and Boosting with GBMs, ii) Feedforward NNs, iii) a discussion of hyper-parameter optimization techniques, and iv) machine learning interpretability. The paper concludes with a comparison of the features of different ML algorithms. Examples taken from credit risk modeling in banking are used throughout the paper to illustrate the techniques and interpret the results of the algorithms.
• Abstract（参考訳）: この記事では、銀行業務のアプリケーションに焦点を当てたSML(Supervised Machine Learning)の概要を紹介する。 対象とするSMLテクニックには、Baging(Random ForestまたはRF)、Boosting(Gradient Boosting MachineまたはGBM)、Neural Networks(NN)などがある。 まずは、MLタスクとテクニックの導入から始めます。 以下は以下の記述である。 一 RFによるバッギング、GBMによるブースティングを含む木に基づくアンサンブルアルゴリズム 二 フィードフォワードNN 三 ハイパーパラメータ最適化技術についての考察及び 四 機械学習の解釈可能性 論文は、異なるMLアルゴリズムの特徴の比較で締めくくっている。 銀行の信用リスクモデリングから得られた例は、その手法を解説し、アルゴリズムの結果を解釈するために、全紙で使われている。

関連論文リスト

• Learning Algorithms Made Simple [0.0]
  人工知能(AI)、機械学習(ML)、ディープラーニング(DL)、ハイブリッドモデルの主な概念についてレビューする。 本稿では,学習アルゴリズムの概要と現状,応用,今後の方向性について概説する。
  論文  参考訳（メタデータ） (2024-10-11T18:39:25Z)
• Topological Methods in Machine Learning: A Tutorial for Practitioners [4.297070083645049]
  トポロジカル機械学習(TML)は、代数的トポロジの技法を利用して複雑なデータ構造を分析する分野である。 このチュートリアルは、2つの重要なTMLテクニック、永続的ホモロジーとMapperアルゴリズムの包括的な紹介を提供する。 アクセシビリティを高めるために、私たちはデータ中心のアプローチを採用し、読者はこれらのテクニックを関連するタスクに適用したハンズオン体験を得ることができる。
  論文  参考訳（メタデータ） (2024-09-04T17:44:52Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Language models are weak learners [71.33837923104808]
  本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。 これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。 結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
  論文  参考訳（メタデータ） (2023-06-25T02:39:19Z)
• Interpretable Machine Learning based on Functional ANOVA Framework: Algorithms and Comparisons [9.10422407200807]
  機械学習(ML)の初期は、最高の予測性能を達成するための複雑なアルゴリズムの開発に重点が置かれていた。 近年、研究者は予測性能の小さな向上に挑戦し、本質的に解釈可能なアルゴリズムを開発した。 本稿では,ESMなどの木を用いたGAMI-Lin-Tという新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-25T02:40:52Z)
• What and How of Machine Learning Transparency: Building Bespoke Explainability Tools with Interoperable Algorithmic Components [77.87794937143511]
  本稿では,データ駆動予測モデルを説明するためのハンズオントレーニング教材について紹介する。 これらのリソースは、解釈可能な表現合成、データサンプリング、説明生成の3つのコアビルディングブロックをカバーする。
  論文  参考訳（メタデータ） (2022-09-08T13:33:25Z)
• Customizing ML Predictions for Online Algorithms [17.305332963531978]
  ML損失関数に最適化ベンチマークを組み込むことで,性能が大幅に向上することを示す。 我々は、理論的境界と数値シミュレーションの両方を通してこの発見を支援している。
  論文  参考訳（メタデータ） (2022-05-18T04:22:11Z)
• An Explainable Regression Framework for Predicting Remaining Useful Life of Machines [6.374451442486538]
  本稿では,機械の残留実用寿命(RUL)予測のための説明可能な回帰フレームワークを提案する。 また、古典的およびニューラルネットワーク(NN)に基づくタスクのためのソリューションを含む機械学習(ML)アルゴリズムを評価した。
  論文  参考訳（メタデータ） (2022-04-28T15:44:12Z)
• Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
  自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。 一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。 我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
  論文  参考訳（メタデータ） (2021-06-09T05:56:42Z)
• How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
  MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。 我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。 この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
  論文  参考訳（メタデータ） (2021-05-05T17:56:00Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。