من سعی میکنم پکیج این کارمون رو پابلیش کنم که دوستانی که این حوزه کار میکنن، بتونن استفاده کنن، اما اصولا کار flexible تری از استامپی انجام شده 😁
A Novel Online Portfolio Selection Based on Pattern Matching and ESG Factors
این کار بنظرم خیلی جای پیشرفت داره و اوردن پترن مچینگ ماکرو فیچرها بجای فقط price رو هم در پکیج سعی می‌کنیم کاور کنیم،
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4355713
A Novel Online Portfolio Selection Based on Pattern Matching and ESG Factors
این کار بنظرم خیلی جای پیشرفت داره و اوردن پترن مچینگ ماکرو فیچرها بجای فقط price رو هم در پکیج سعی می‌کنیم کاور کنیم،
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4355713
Ssrn
A Novel Online Portfolio Selection Based on Pattern Matching and ESG Factors
In modern finance, social investment portfolios have attracted the attention of researchers, investors, and practitioners. Regarding the long-term nature of thi
👍9❤1
اینم آخرین پست علمی امروز ، یک call for paper برای ژورنال Applied Sciences هست در زمینه مدلینگ در emergency response systems ، حوزه مقالاتش برای بچه های operational research هست که یاد دوران ارشد مهندسی صنایع با این تاپیک ها بخیر،
من ادیتور این cfp هستم و اطلاعات بیشتر رو از روی لینکدین من میتونید پیدا کنید
توی لینکدین، بیشتر کارهای فاند dfo رو هم کاور میکنم،🌺
@machinelearningnet2
من ادیتور این cfp هستم و اطلاعات بیشتر رو از روی لینکدین من میتونید پیدا کنید
توی لینکدین، بیشتر کارهای فاند dfo رو هم کاور میکنم،🌺
@machinelearningnet2
👍5
این پست هم بصورت استثنا درباره مطالب مهمتری از پست های قبلی هست😊. چون روزهای آخر عید نوروز هست و شاید شما هم مثل من فیلم باز باشین، این لیست رو سیو کنید هروقت دنبال فیلم واسه دیدن بودین یه نگاه بهش بندازین 😉
@machinelearningnet2
@machinelearningnet2
❤6
I'm thrilled to announce the latest release of MetaTS, a #Python package that simplifies and accelerates global #timeseries #forecasting using #meta-learning.
You can find MetaTS on GitHub here: https://github.com/DrSasanBarak/metats
Meta-learning has emerged as a winning solution for recent time series #forecasting competitions, and MetaTS is designed to make #meta-learning more accessible to researchers and data scientists. With MetaTS, you can easily generate meta-features using automated feature extraction and deep unsupervised learning, implement base-forecaster models, and optimize meta-parameters using a flexible and customizable pipeline.
In addition to providing a user-friendly toolkit for meta-learning, MetaTS also unifies the available Python libraries that can be useful for time series forecasting. You can leverage the power of #Sktime, #Nixtla, #Darts, and other libraries to create base forecasters and explore different meta-model architectures, including #stacking and #ensembling.
I'm proud of what we've achieved with MetaTS, and I believe it can be a valuable resource for anyone looking to improve their time series forecasting #performance. The latest version of the package is available on GitHub, and we welcome any feedback or contributions to help make MetaTS even better.
This can not be done without a great dedication and contribution of my colleague @AmirabbasAsadi .
Be tuned about this project on my LinkedIn
Thank you for your support!
You can find MetaTS on GitHub here: https://github.com/DrSasanBarak/metats
Meta-learning has emerged as a winning solution for recent time series #forecasting competitions, and MetaTS is designed to make #meta-learning more accessible to researchers and data scientists. With MetaTS, you can easily generate meta-features using automated feature extraction and deep unsupervised learning, implement base-forecaster models, and optimize meta-parameters using a flexible and customizable pipeline.
In addition to providing a user-friendly toolkit for meta-learning, MetaTS also unifies the available Python libraries that can be useful for time series forecasting. You can leverage the power of #Sktime, #Nixtla, #Darts, and other libraries to create base forecasters and explore different meta-model architectures, including #stacking and #ensembling.
I'm proud of what we've achieved with MetaTS, and I believe it can be a valuable resource for anyone looking to improve their time series forecasting #performance. The latest version of the package is available on GitHub, and we welcome any feedback or contributions to help make MetaTS even better.
This can not be done without a great dedication and contribution of my colleague @AmirabbasAsadi .
Be tuned about this project on my LinkedIn
Thank you for your support!
GitHub
GitHub - DrSasanBarak/metats: MetaTS | Time Series Forecasting using Meta Learning
MetaTS | Time Series Forecasting using Meta Learning - DrSasanBarak/metats
👍8
دوستانی که علاقمند به فهم بیسیک مدلهای متالرنینگ هستن، اینجا یه پرزنتی کلی از این اپروچ انجام شده.
همون طور که دیروز در گروه بحث شد، یکی از کاربردهای deep unsupervised learning در زمینه feature extraction در فاینانس هم در این پکیج کاور شده.
برای اطلاعات بیشتر در این حوزه، لینکدین من و امیر عباس رو فالو کنید
همون طور که دیروز در گروه بحث شد، یکی از کاربردهای deep unsupervised learning در زمینه feature extraction در فاینانس هم در این پکیج کاور شده.
برای اطلاعات بیشتر در این حوزه، لینکدین من و امیر عباس رو فالو کنید
👍5
Forwarded from Sigmoyd
This media is not supported in your browser
VIEW IN TELEGRAM
🎥 ویدئوی قسمت دوم از فصل دوم وبینار سیگموئید با حضور دکتر ساسان براک و مهندس امیر عباس اسدی در آپارات آپلود شد!
🔸 در این قسمت به بررسی مبحث متالرنینگ در پیش بیتی سری‌های زمانی پرداختیم
🔴 برای مشاهده ویدئوی کامل این وبینار به لینک زیر مراجعه کنید:
📎 https://aparat.com/v/bvTJm
🔸 در این قسمت به بررسی مبحث متالرنینگ در پیش بیتی سری‌های زمانی پرداختیم
🔴 برای مشاهده ویدئوی کامل این وبینار به لینک زیر مراجعه کنید:
📎 https://aparat.com/v/bvTJm
👍10❤1