Abstrato

Aprendizagem automática 2018: Aprendizagem profunda: abordagem multiobjetivo de aprendizagem por reforço profundo para o planeamento de reposição de dinheiro em caixas automáticas - Nabil Belgasmi-Banque de Tunisie

Nabil Belgasmi

O atual sistema de aprendizagem de fortificação depende de um avanço solitário na execução de alvos que amplifica os lucros normais com base em recompensas escalares que têm origem numa reação de condição univariada às atividades do operador ou num total ponderado de uma reação multivariada. No entanto, em inúmeras circunstâncias certificáveis, devem ser feitas compensações entre vários destinos conflituantes que têm diversos graus significativos, unidades de estimativa e configurações explícitas de negócio identificadas com o problema que está a ser explicado (por exemplo, custos, prazo de entrega, natureza da administração, benefícios, e assim por diante). O total de tais sub-prémios para obter um prémio escalar espera um conhecimento ideal sobre as inclinações do líder e a forma como este vê a importância de cada alvo. Nesta investigação, considerámos a questão de aprender as melhores abordagens de renovação de dinheiro em ATM num ambiente questionável de múltiplos alvos, dado um histórico subjetivo de levantamentos de dinheiro que pode não ser fixo e pode conter exceções. Propomos uma abordagem de aprendizagem por reforço profundo multi-alvo sem modelo que nos permite competir com o líder humano e localizar a melhor estratégia por ATM que supera o arranjo humano atual. A ideia é desagregar a apresentação de uma estratégia de recarga para enquadrar um vetor de capacidades-alvo. A exposição do arranjo humano é então um ponto de referência multidimensional (Rh). A tarefa do cálculo de aprendizagem de apoio profundo é descobrir um arranjo que crie muitos focos de execução que sobrecarreguem o atual ponto de referência humano (Rh). monetários para reuniões de ATM com designs comparativos de pedidos de dinheiro no dia da semana. Anteriormente, agrupamos os habitats de ATM em grupos de ATM com designs comparativos de recolha no dia da semana. Para recuperar os limites de irregularidades de levantamento do “dia da semana” (impacto de uma segunda-feira, etc.), criámos um modelo de organização de períodos para cada ATM. Para o agrupamento, está discretizada a progressão de sete limites incessantes de irregularidades de levantamentos diários de caixas automáticas. De seguida, a semelhança entre a sucessão diária discretizada de irregularidades de levantamento nos diversos ATM é estimada pelo Método de Alinhamento de Sequência (SAM). Para cada grupo de ATMs, quatro sistemas neurais, nomeadamente o sistema neural de recaída geral (GRNN), sistema neural feed forward multicamadas (MLFF), estratégia de grupo para tratamento de informação (GMDH) e sistema neural wavelet (WNN) são trabalhados para prever a solicitação de dinheiro de um ATM. A estratégia proposta é aplicada no conjunto de dados de rivalidade NN5. Vimos que o GRNN produziu a melhor consequência de um erro crasso na taxa suprema média simétrica de 18,44% (SMAPE), o que é melhor do que o efeito secundário de Andrawis, Atiya e El-Shishiny (2011). Isto deve-se ao agrupamento seguido de um estágio determinante. Além disso,a abordagem proposta rendeu valores de SMAPE muito mais baixos do que a metodologia de previsão direta no exemplo completo sem agrupamento. Do ponto de vista administrativo, o medidor de solicitação de dinheiro agrupado ajuda a administração superior do banco a conceber planos comparáveis ??de renovação de dinheiro para todos os ATM de um grupo semelhante. Estes planos de renovação a nível de grupo podem poupar despesas operacionais colossais para os ATM que operam num local semelhante. (c) 2013 Elsevier BV Todos os direitos detidos. O componente, posteriormente consolidado no Google Fotos em 2015, foi amplamente visto como uma vantagem distinta, uma prova da ideia de que a programação de visão do PC poderia agrupar imagens em medidas humanas, incluindo um incentivo de algumas formas diferentes: os clientes não, neste momento esperados marcar fotografias com marcas como "costa marítima" para organizar o conteúdo da imagem, dispensando uma tarefa manual que poderia tornar-se muito aborrecida ao supervisionar conjuntos de centenas ou milhares de fotos Os clientes poderiam investigar a sua variedade de fotografias de novas formas, utilizando termos de pesquisa para encontrar fotografias com objetos que talvez nunca tenham rotulado. Por exemplo, poderiam procurar por "palmeira" para trazer à luz todas as fotografias das suas excursões que tivessem palmeiras fora de vista. , reconhecer siameses e felinos abissínios), alargando adequadamente a informação da área dos clientes.

Biografia:

Nabil Belgasmi é doutorado e licenciado em Engenharia em Ciência da Computação pela Universidade de Manouba. É cientista de dados full stack no Banque de Tunisie, Tunísia. Está envolvido em três atividades principais: (1) I&D aplicado, (2) Observação de tecnologia de análise de dados e (3) Consultoria em ciência de dados. Alcançou muitos POCs e Quick-Wins de ciência de dados bem-sucedidos: pontuação de crédito, previsão, planeamento de tesouraria, deteção de anomalias/fraudes, perfil de clientes, pontuação e monitorização de transações inteligentes, etc. EAAI).