Книжкові видання та компакт-диски Журнали та продовжувані видання Автореферати дисертацій Реферативна база даних Наукова періодика України Тематичний навігатор Авторитетний файл імен осіб
|
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
Пошуковий запит: (<.>A=Havlik P$<.>) |
Загальна кількість знайдених документів : 4
Представлено документи з 1 до 4
|
1. |
Ermoliev Y. Robust food – energy – wate r– environmental security management: Stochastic quasigradient procedure for linkage of distributed optimization models under asymmetric information and uncertainty [Електронний ресурс] / Y. Ermoliev, A. G. Zagorodny, V. L. Bogdanov, T. Ermolieva, P. Havlik, E. Rovenskaya, N. Komendantova, M. Obersteiner // Кібернетика та системний аналіз. - 2022. - Т. 58, № 1. - С. 55–69. - Режим доступу: http://nbuv.gov.ua/UJRN/KSA_2022_58_1_9
| 2. |
Ermolieva T. Artificial Intelligence, Machine Learning, and Intelligent Decision Support Systems: Iterative "Learning" SQG-based procedures for Distributed Models’ Linkage [Електронний ресурс] / T. Ermolieva, Y. Ermoliev, A. Zagorodniy, V. Bogdanov, O. Borodina, P. Havlik, N. Komendantova, P. Knopov, V. Gorbachuk, V. Zaslavskyi // Artificial intelligence. - 2022. - № 2. - С. 92-97. - Режим доступу: http://nbuv.gov.ua/UJRN/II_2022_2_14
| 3. |
Ermolieva T. Connections between robust statistical estimation, robust decision making with two-stage stochastic optimization, and robust machine learning problems [Електронний ресурс] / T. Ermolieva, Y. Ermoliev, P. Havlik, A. Lessa-Derci-Augustynczik, N. Komendantova, T. Kahil, J. Balkovic, R. Skalsky, C. Folberth, P. S. Knopov // Кібернетика та системний аналіз. - 2023. - Т. 59, № 3. - С. 33–47. Розглянуто зв'язки між задачами двоетапного стохастичого програмування, проблемами визначення робастних рішень, робастними методами у статистиці та машинному навчанні. В умовах невизначеності, а також можливого настання екстремальних подій і ситуацій, ці задачі потребують розгляду та оптимізації систем із квантильними критеріями, обмеженнями та індикаторами якості результатів (функціями збитків). Задачі двоетапної стохастичної оптимізації можна ефективно розв'язати ітеративними методами стохастичних квазіградієнтів (SQG). Методи SQG надають змогу розв'язувати негладкі, можливо розривні та неопуклі задачі машинного навчання, наприклад, задачі квантильної регресії та навчання нейронної мережі. Такі поняття, як допустимі розв'язки, оптимальність та робастність у загальних задачах прийняття рішень визначаються конкретною ситуацією прийняття рішень. Задачі робастного статистичного оцінювання та машинного навчання можна інтегрувати у задачі планування дисциплінарних і міждисциплінарних систем, як-от: систем землекористування, сільськогосподарських, енергетичних, тих, що слугують для підтримки прийняття робастних рішень в умовах невизначеностей, зростаючих системних залежностей і невідомих ризиків.
| 4. |
Ermolieva T. A novel robust meta-model framework for predicting crop yield probability distributions using multisource data [Електронний ресурс] / T. Ermolieva, P. Havlik, A. Lessa-Derci-Augustynczik, E. Boere, S. Frank, T. Kahil, G. Wang, J. Balkovic, R. Skalsky, C. Folberth // Кібернетика та системний аналіз. - 2023. - Т. 59, № 5. - С. 180–195. Зазначено, що є нагальна потреба у кращому розумінні та прогнозуванні впливу погодних явищ (зокрема, екстремального характеру, як-от, сильних опадів, посух і теплових хвиль) на врожайність сільськогосподарських культур. Це надасть змогу покращити майбутні прогнози виробництва сільськогосподарських культур в умовах мінливості погоди, екстремальних явищ і зміни клімату. Розроблено квантильні регресійні моделі для оцінювання розподілу ймовірності врожайності сільськогосподарських культур залежно від місячних значень температури та опадів і якісних характеристик грунту, які можуть бути доступні для різних прогнозів зміни клімату. Врожайність сільськогосподарських культур, історичну та синтезовану моделлю EPIC, аналізують та розрізняють відповідно до їхніх рівнів, тобто середніх і критичних квантилів. Далі квантилі врожайності сільськогосподарських культур апроксимують, налаштовуючи окремі моделі регресії на основі квантилів. Розроблена статистична метамодель врожайності сільськогосподарських культур надає змогу аналізувати врожайність сільськогосподарських культур залежно від таких екзогенних параметрів, як температура та опади, а також ендогенних параметрів (наприклад, характеристик грунту), які можуть змінюватися у результаті практик землекористування. Статистичні та машинні моделі навчання можна використовувати як генератори сценаріїв зменшеної розмірності та структури (метамоделі) стохастичних подій (сценаріїв), як підмодель більш складних моделей, наприклад, моделі інтегрованої оцінки (IAM) GLOBIOM.
|
|
|