Простийпошук |
Розширенийпошук |
Покажчики
|
Професійний пошук |
Рубрикатор НБУВ |
Розподілений пошук |
Бази даних
Наукова періодика України - результати пошуку
Книжкові видання та компакт-дискиЖурнали та продовжувані виданняАвтореферати дисертаційРеферативна база данихНаукова періодика УкраїниТематичний навігаторАвторитетний файл імен осіб
 |
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
| Знайдено в інших БД: | Книжкові видання та компакт-диски (4) | Журнали та продовжувані видання (1) | Реферативна база даних (23) | Авторитетний файл імен осіб (1) |
Список видань за алфавітом назв: Авторський покажчик Покажчик назв публікацій  |
Пошуковий запит: (<.>A=Балабанов О$<.>) | |||
|
Загальна кількість знайдених документів : 10 Представлено документи з 1 до 10 |
|||
| 1. | 
Андон П. І. До відкриття латентного бінарного фактора в статистичних даних категорного типу [Електронний ресурс] / П. І. Андон, О. С. Балабанов // Доповiдi Національної академії наук України. - 2008. - № 9. - С. 37-43. - Режим доступу: http://nbuv.gov.ua/UJRN/dnanu_2008_9_9 For a discrete model with tree-like structure, we demonstrate that if a separating variable (a root vertex) is binary, then constraints (like "tetrad difference") hold. Specifically, when there are four or three manifest variables in a model, the "ditetrad-constraint" or "triad-constraint", respectively, applies. So, these constraints facilitate the discovery of a hidden binary variable (latent class) which is responsible for associations among discrete manifest variables. | ||
| 2. | 
Балабанов О. С. Відтворення каузальних мереж на основі аналізу марковських властивостей [Електронний ресурс] / О. С. Балабанов // Математичні машини і системи. - 2016. - № 1. - С. 16-26 . - Режим доступу: http://nbuv.gov.ua/UJRN/MMS_2016_1_4 Охарактеризовано новий підхід до виведення каузальних моделей з емпіричних даних, який спирається на виявлення фактів умовної незалежності. Підхід, базований на незалежності, забезпечує розробку асимптотично-коректних методів виведення каузальних мереж, у той час як регресійна методологія непридатна для цього. Базованим на незалежності методам притаманна дворівнева декомпозиція задачі, що сприяє зниженню розмірності потрібних статистик та обчислювальних витрат. Для підвищення ефективності метод доцільно озброїти набором резолюцій, які забезпечують усікання простору пошуку сепараторів та фокусування верифікації зв'язків. Пропоновані засоби грунтуються на необхідних вимогах до члена локально-мінімального d-сепаратора. Ефективність розроблених методів продемонстровано на прикладах. Викладено принципи контролю ефективності методів і адекватності моделі. | ||
| 3. | 
Балабанов О. С. Принципи та аналітичні засоби реконструкції структур ймовірнісних залежностей у спеціальному класі [Електронний ресурс] / О. С. Балабанов // Проблеми програмування. - 2017. - № 1. - С. 97-110. - Режим доступу: http://nbuv.gov.ua/UJRN/Progr_2017_1_10 Запропоновано й обгрунтовано набір емпіричних резолюцій, які спираються виключно на безумовні залежності двох змінних та забезпечують ідентифікацію безпосередніх зв'язків (ребер) у структурах залежностей в класі монопотокових графів. Цей клас структур є підкласом ациклонних орграфів та суперкласом для полі-лісів. Охарактеризовано властивості монопотокових моделей. Коректність розроблених емпіричних резолюцій грунтується на емпірично надійному припущенні безумовної (маргінальної) реберної неоманливості. | ||
| 4. |
Балабанов О. С. Відкриття знань у даних та каузальні моделі в аналітичних інформаційних технологіях [Електронний ресурс] / О. С. Балабанов // Проблеми програмування. - 2017. - № 3. - С. 96-112. - Режим доступу: http://nbuv.gov.ua/UJRN/Progr_2017_3_8 Оглянуто методологію індуктивного виведення каузальних моделей. Аргументовано, що каузальні мережі, відтворені з даних спостережень (без апріорних знань), адекватно відображають структури зв'язків та впливів у середовищі і придатні для прогнозування наслідків керування. Окреслено передумови та вимоги до статистичних даних і процесу їх збору для успішного виведення адекватної каузальної мережі. Розглянуто підхід до виведення каузальних мереж, базований на незалежності. Підхід підтримує розробку швидких та асимптотично-коректних методів, які здатні працювати в умовах прихованих факторів. Аргументовано, що модель, виведена з даних, зазвичай має деякі зв'язки з невизначеною спрямованістю. Така невизначеність об'єктивно зумовлена й дозволяє зберігати адекватність моделі. Показано засоби підвищення ефективності виведення моделі за рахунок озброєння алгоритмів набором резолюцій, які забезпечують усікання простору пошуку сепараторів (фокусуючи процес верифікації зв'язків). Запропонована модернізація методів грунтується на систематичному застосуванні концепції локально-мінімального сепаратора та марковських властивостей моделей. Ефективність нових алгоритмів "Razor" продемонстрована контрольними експериментами та предметним прикладом. Роз'яснюється відмінність каузального прогнозу (що оцінює наслідки планованого втручання) від традиційного іпасивногоі прогнозу. Показано можливості оцінювати каузальний ефект на основі неповно ідентифікованої моделі. | ||
| 5. |
Балабанов О. С. Про характерні співвідношення кореляцій в деяких системах лінійних структуральних рівнянь [Електронний ресурс] / О. С. Балабанов // Доповіді Національної академії наук України. - 2016. - № 12. - С. 17-21. - Режим доступу: http://nbuv.gov.ua/UJRN/dnanu_2016_12_5 Для ймовірнісної лінійної моделі з циклічною структурою з чотирма змінними знайдено та доведено 2 простих обмеження типу нерівність на наборі кореляцій. Кожне з цих обмежень (що включає дві та три кореляції відповідно) надає змогу спростувати базову модель на користь альтернативної моделі, яка відрізняється додатковим "діагональним" зв'язком. | ||
| 6. |
Балабанов О. С. Класи каузальних структур, що ідентифікуються тестами простого формату [Електронний ресурс] / О. С. Балабанов // Проблеми програмування. - 2018. - № 2-3. - С. 180-188. - Режим доступу: http://nbuv.gov.ua/UJRN/Progr_2018_2-3_23 Тема роботи стосується теоретичної проблематики відтворення каузальних моделей з даних (без апріорних знань) методами, основаними на незалежності. Розглянуто задачу ідентифікації моделі на основі результатів тестів незалежності виключно 0-го 1-го рангу (тобто безумовної незалежності та незалежності з однією змінною в умові). Надано визначення класу 1-ідентифікабельних структур моделей. Викладено ідею розпізнавання завершеності відтворення коректної (адекватної) структури моделі, коли не задано апріорних обмежень на структуру. Показано, що підходящим апаратом для розв'язання проблеми 1-ідентифікабельності є апарат локально-мінімальної сепарації. Побудовано декілька підкласів 1-ідентифікабельних моделей; надано структурні обмеження цих підкласів і відповідні критерії завершеності відтворення моделі. Показано приклади структур, які виходять за межі класу 1-ідентифікабельних моделей. | ||
| 7. |
Балабанов О. С. Аналітика великих даних: принципи, напрямки і задачі (огляд) [Електронний ресурс] / О. С. Балабанов // Проблеми програмування. - 2019. - № 2. - С. 47-68. - Режим доступу: http://nbuv.gov.ua/UJRN/Progr_2019_2_7 | ||
| 8. |
Балабанов О. С. Задачі та методи аналізу великих даних (огляд) [Електронний ресурс] / О. С. Балабанов // Проблеми програмування. - 2019. - № 3. - С. 58-85. - Режим доступу: http://nbuv.gov.ua/UJRN/Progr_2019_3_7 Розглянуто основні задачі та методи глибокого аналізу великих даних. У викладі зроблено акцент на "фізичному" сенсі задач і методів, без математичних деталей. Спектр аналізу й використання великих даних охоплює чотири концептуальні класи завдань: "інтелектуальний" пошук інформації; масовану (конвеєрну) переробку даних; індукцію моделі об'єкту (середовища) та екстракцію знань з даних (відкриття закономірностей). Висвітлено суть типових класів задач великої аналітики: групування випадків (кластеризація даних); виведення ціле-визначених моделей (класифікація, регресія); виведення генеративних моделей; відкриття структур і закономірностей. Розглянуто ключові методи кластеризації, регресії та класифікації (включаючи глибоке навчання), а також виведення генеративних моделей. Методи розв'язання ціле-визначених задач поділяються на ті, що виводять модель у явному вигляді (модель "відокремлюється" від даних) та методи, "прив'язані до даних". Охарактеризовано особливості задач аналізу темпоральних даних (сегментація, виявлення точок зміни і т. д.). Детальніше викладено індуктивне виведення каузальних мереж методами, основаними на незалежності. Вказано особливості виведення динамічних каузальних мереж. Окремо підсумовано загальні особливості застосування статистичних методів у аналізі великих даних. | ||
| 9. |
Балабанов О. С. Відтворення казуальних моделей з даних. Проблеми адекватності структур з прихованими причинами [Електронний ресурс] / О. С. Балабанов // Проблеми програмування. - 2020. - № 2-3. - С. 392-406. - Режим доступу: http://nbuv.gov.ua/UJRN/Progr_2020_2-3_42 | ||
| 10. | 
Балабанов О. С. Логіка каузального виведення з даних в умовах прихованих спільних причин [Електронний ресурс] / О. С. Балабанов // Кібернетика та системний аналіз. - 2022. - Т. 58, № 2. - С. 10–28. - Режим доступу: http://nbuv.gov.ua/UJRN/KSA_2022_58_2_4 Розглянуто проблеми виведення каузальних моделей з емпіричних даних і деякі механізми виникнення помилок. Показано, що відомі правила ідентифікації орієнтацій (спрямувань) статистичних зв'язків у каузальних моделях можуть втрачати адекватність, коли діють латентні конфаундери. Запропоновано корекції цих правил орієнтації, необхідні для їхнього застосування до моделей поза межами класу анцестральних моделей. Сформульовано необхідні припущення, які обгрунтовують виведення адекватних каузальних відношень з даних. | ||
Попередній перегляд: 
Реферативна БД
 |
| Відділ наукової організації електронних інформаційних ресурсів |
 Пам`ятка користувача |