Zastosowanie biblioteki ML.NET do badań ekonomicznych

Main Article Content

Waldemar Karwowski


Słowa kluczowe : uczenie maszynowe, ML.NET, zastosowanie informatyki w ekonomii
Abstrakt

W artykule podjęto próbę oceny przydatności biblioteki ML.NET do badań w dziedzinie ekonomii. Przedstawiono możliwości wykorzystania uczenia maszynowego w aplikacjach i krótko omówiono dostępne bezpłatnie biblioteki programistyczne związane z uczeniem maszynowym. Omówiono funkcjonalność biblioteki ML.NET ze szczególnym uwzględnieniem przydatności do badań i zastosowań w dziedzinie ekonomii. W celu weryfikacji możliwości ML.NET do generacji modelu jak i wykorzystania go do prognozy, utworzono prostą aplikację w języku C# prognozującą poziom inflacji na podstawie zgromadzonych danych.

Article Details

Jak cytować
Karwowski, W. (2021). Zastosowanie biblioteki ML.NET do badań ekonomicznych. Metody Ilościowe W Badaniach Ekonomicznych, 22(1), 29–38. https://doi.org/10.22630/MIBE.2021.22.1.3
Bibliografia

Ahmed Z. et al. (2019) Machine Learning at Microsoft with ML.NET. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, n. pag.

Capellman J. (2020) Hands-On Machine Learning with ML.NET: Getting Started with Microsoft ML.NET to Implement Popular Machine Learning Algorithms in C#. Packt Publishing, ISBN 978-1789801781.

Gevorkyan M. N., Demidova A. V., Demidova T. S., Sobolev A. A. (2019) Review and Comparative Analysis of Machine Learning Libraries for Machine Learning. Discrete and Continuous Models and Applied Computational Science, 27(4), 305-315, doi: 10.22363/2658-4670-2019-27-4-305-315.966-979. (Crossref)

Kędziora E. J. Maksim G. K. (2021) Analiza wydajności bibliotek uczenia maszynowego. Journal of Computer Sciences Institute, 20, 230-236. (Crossref)

Liu D. C., Nocedal J. (1989) On the Limited Memory BFGS Method for Large Scale Optimization. Mathematical Programming, 45, 503-528. (Crossref)

Nash S. G., Nocedal J. (1991) A Numerical Study of the Limited Memory BFGS Method and the Truncated-Newton Method for Large Scale Optimization. SIAM Journal of Optimization, 1, 358-372. (Crossref)

Shalev-Shwartz S., Zhang T. (2013) Stochastic Dual Coordinate Ascent Methods for Regularized Loss Minimization. Journal of Machine Learning Research, 14, 567-599.

Shalev-Shwartz S., Zhang T. (2016) Accelerated Proximal Stochastic Dual Coordinate Ascent for Regularized Loss Minimization. Mathematical Programming, 155, 105-145. (Crossref)

Tankaria H., Sugimoto S., Yamashita N. (2021) A Regularized Limited Memory BFGS Method for Large-Scale Unconstrained Optimization and its Efficient Implementations. arXiv: Optimization and Control, n. pag. (Crossref)

Tran K., Hosseini S., Xiao L., Finley T., Bilenko M. (2015) Scaling up Stochastic Dual Coordinate Ascent. Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, n. pag. (Crossref)

Zhu C. Byrd R. H., Lu P., Nocedal J. (1997) Algorithm 778: L-BFGS-B: Fortran subroutines for large-scale bound-constrained optimization. ACM Transactions on Mathematical Software, 23(4), 550-560, doi:10.1145/279232.279236. (Crossref)

https://dotnet.microsoft.com/en-us/apps/machinelearning-ai/ml-dotnet [dostęp: 20.11.2021].

Statystyki

Downloads

Download data is not yet available.
Rekomendowane teksty