Mateusz Zawisza
mgr Mateusz Zawisza
mat.zawisza@gmail.com

Zakład Wspomagania i Analizy Decyzji
Instytut Ekonometrii
Szkoła Główna Handlowa
Al. Niepodległości 162
02-554 Warszawa

O mnie
Dydaktyka

Dostępne są wyniki z SRD i MW. Uwagi proszę kierować do dr. B. Kamińskiego do poniedziałku 16. czerwca 2014.



Statystyczne Reguły Decyzyjne, lato 2013/2014

Oprogramowanie: R-Project, RStudio.
Pakiety: ada, Benchmarking, boot, car, class, cluster, e1071, Ecdat, gam, glmnet, graphics, ggplot2, ISLR, lasso2, leaps, locfit, MASS, mgcv, neuralet, nnet, nortest, party, quantreg, randomForest, RColorBrewer, reshape, ROCR, rpart, UsingR, vioplot,XLConnect, dynlm, lmtest, nls, tseries.

Program zajęć:
LAB1. Wprowadzenie do uczenia statystycznego, wprowadzenie do systemu R: LAB1.R LAB1.csv
LAB2. Podstawy modelowania predykcyjnego: LAB2.R testRegresjiCol.R OptimalCutOffCol.R german.data-numeric.txt PrzydatnoscZbioruTestowego.R dataInspectionCol.R DATA4-12.txt
LAB3. Metody oceny jakości modeli klasyfikacyjnych: ROCetcCol.R australian.dat Student.R
LAB4. Zaawansowane algorytmy budowy stabilnych modeli predykcyjnych: selectionShrinkageCol.R communities.data.txt glmnet.R
LAB5. Proces wytwórczy modelu predykcyjnego - konkurs na zajęciach: LAB5.R ZawiszaPrezentacja.pdf
LAB6. Metody wyboru postaci modelu prognostycznego: Roz_1_rys.R symulacjaR2.R corVarSelectCol.R ticdata2000.txt dictionary.txt PrzydatnoscZbioruTestowego.R
LAB7. Nieparametryczne modele regresyjne: dataInspectionCol.R cvExampleCol.R gamCol.R
LAB8. Klasyczne modele uczenia maszynowego: drzewa decyzyjne: Konkurs3.R Prezentacja3.pdf optimalTreeCol.R
LAB9. Klasyczne modele uczenia maszynowego: sieci neuronowe: neuralNetCol.R netbaggingCol.R
LAB10. Algorytmy uczenia bez nadzoru: clusteringCol.R
LAB11. Modelowanie prognostyczne - zastosowania biznesowe: studentCode.R training.txt testing.txt ZawiszaCustomerAcquisition.pdf
LAB12. Zaliczenie ćwiczeń: Przykładowe zaliczenie ćwiczeń

Literatura:
Ćwik J., Mielniczuk J., Statystyczne systemu uczące się Ćwiczenia w oparciu o pakiet R, Oficyna Wyd. PW 2009
Gareth J., Witten D., Hastie T., Tibshirani R., An Introduction to Statistical Learning with Applications in R, Springer, 2013.
Hastie T., Tibshirani R, Stanford University Statistical Learning Video Course, 2014.
Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer 2009.
Kamiński B., Zawisza M., Receptury w R. Podręcznik dla ekonomistów, Oficyna Wydawnicza Szkoły Głównej Handlowej, 2012.
Koronacki J., Ćwik J., Statystyczne systemu uczące się, Oficyna Wyd. EXIT 2008.

Modelowanie Wieloagentowe, lato 2013/2014

Oprogramowanie: Python 3.x, R-Project.
Biblioteki: NumPy, SciPy, Matplotlib.

Program:
LAB1. Wprowadzenie do języka Python 3.x: LAB1.py mw_zadania_2014Lato.pdf demand.py demand_example.py demand_example_benchmark.py demand2.py demand2_example.py
LAB2.: LAB2.py integral.py lineplot.py queue.py queue2.py
LAB3: optim.py reorder.py duopoly.py rps.py
LAB4: rumor.py ws_draw.py ws_test.py
LAB5. Analiza wyników symulacji z case-studies (R): Prezentacja, Kod R,
LAB6. Prezentacja wyników modelowania;
LAB7. Prezentacja wyników modelowania.

Literatura:
Axelrod R., Tesfatsion L., A Guide for Newcomers to Agent-Based Modeling in the Social Sciences, Handbook of Computational Economics, Vol. 2, 2006.
Kamiński B., Podejście Wieloagentowe do Modelowania Rynków. Metody i Zastosowania, Oficyna Wydawnicza Szkoła Główna Handlowa w Warszawie, 2012.
Python 3.x Documentation
Python 3.x Tutorial
Shoham Y., Leyton-Brown K., Multiagent Systems. Algorithmic, Game-Theoretic, and Logical Foundations, Cambridge University Press, 2008.