Dekompozycje wielowymiarowe w agregacji predykcyjnych modeli Data Mining

Niniejsza praca podejmuje tematykę wykorzystania wielowymiarowych dekompozycji w procesie agregacji modeli predykcyjnych, wraz z przykładami zastosowań w finansach i zarządzaniu. Zamierzone cele prowadzonych rozważań są następujące: 1. Zaprezentowanie nowej koncepcji agregacji modeli wykorzystującej wielowymiarowe dekompozycje. Metoda ta, w celu poprawy jakości predykcji, zakłada identyfikację oraz eliminację ukrytych komponentów, destrukcyjnych dla wyników prognoz, co sprowadza zagadnienie do tzw. problemu ślepej separacji. Jest to nowatorska koncepcja agregacji, stanowiąca alternatywę dla już istniejących technik łączenia modeli. Zagadnienie agregacji zostanie rozważone w kontekście predykcyjnych modeli Data Mining. 2. Przedstawienie współczesnych metod dekompozycji i reprezentacji danych powstałych w ramach badań nad problemem ślepej separacji. Metody ślepej separacji są kluczowym elementem efektywnego działania opracowanej metody agregacji. Ich omówienie będzie miało charakter monograficzny i przeglądowy, przy czym przedstawione zostaną także autorskie modyfikacje i rozwinięcia. W ramach rozwoju technik dekompozycji, adresowanych do problemu ślepej separacji, zaproponowana zostanie nowa metoda analizy składowych gładkich. 3. Zaprezentowanie przykładowych zastosowań opisanych metod w rozwiązywaniu praktycznych problemów predykcyjnych w dziedzinie finansów i zarządzania. W tej części pracy wykazana zostanie skuteczność samej metody dla wielu typowych problemów Data Mining, a także zostaną poruszone pewne kwestie związane z praktyczną stroną zastosowań algorytmów ślepej separacji.