Riassunto analitico
Negli ultimi anni, l’impiego dei metodi di Ensemble è diventato sempre più diffuso, rappresentando un paradigma altamente efficiente nel campo del Machine Learning.
Questo approccio combina un insieme di singoli modelli definiti deboli per produrre predizioni robuste, trovando applicazione in numerosi settori.
Un problema noto all’interno dell’Ensemble Learning è avere diversità tra i modelli, consentendo l’esplorazione di pattern differenti all’interno dei dati e garantendo eterogeneità.
Questa tesi illustra lo sviluppo di un progetto volto all’ottimizzazione del processo di esplorazione nello spazio di ricerca dei parametri di ensemble eterogenei, costituiti da architetture e task differenti, sostenuto da uno studio relativo all’introduzione della diversità.
Il progetto è stato sviluppato presso Axyon AI, una società FinTech che supporta i gestori di asset quantitativi attraverso strategie guidate da Machine & Deep Learning.
|
Abstract
In recent years, the use of Ensemble methods has grown rapidly, becoming a highly effective approach in Machine Learning. This technique combines multiple individual models, known as weak learners, to produce stronger predictions and is used in various fields. A key challenge in Ensemble Learning is ensuring diversity among models, which helps explore different data patterns and maintain heterogeneity.
This thesis describes a project focused on optimizing the exploration of the search space for heterogeneous ensemble parameters, involving different architectures and tasks and includes a study on promoting diversity. The project was developed at Axyon AI, a FinTech company that supports quantitative asset managers using Machine & Deep Learning strategies.
|
