Гришко А. О. Гібридні методи машинного навчання в системах інтелектуальної обробки даних.

Дисертацію присвячено розробці гібридних методів машинного навчання в інтелектуальних системах різного функціонального призначення (на прикладі трейдингових систем та систем інтелектуального керування), що дозволяють підвищити ефективність стратегій прийняття рішень. Запропоновано метод адаптації структури технічних індикаторів до поточного стану біржового ринку з подальшим формуванням стратегій трейдингової інтелектуальної системи, що базується на використанні комбінованого RL-навчання та генетичних алгоритмів. Запропоновано гібридний метод керування запасами з використанням стохастичного динамічного програмування та техніки навчання з підкріпленням, що є сумісною з несепарабельним критерієм. Модифіковано метод нейромережевої апроксимації Q-функцій RL-алгоритму, що дозволяє здійснювати корекцію конфігурації апроксимуючого багатошарового персептрону. Запропоновано метод керування динамічним об"єктом, який заснований на заміні станів, що використовують прогнозовані значення сигналів підкріплення попередніми зваженими станами. Метод є розширенням SARSA-алгоритму, та дозволяє враховувати оцінки станів віддалених один від одного на значну відстань. Удосконалено структуру моделі прогнозування, алгоритм навчання якої базується на застосуванні нейромережевого фільтра-предиктора, що на відміну від існуючих забезпечує високу швидкодію та якість прогнозів в умовах нестаціонарності та невизначеності. Запропонована модель може бути використана для прогнозування тренду сигналів підкріплення при інтелектуальному керуванні динамічними об'єктами. Розроблені методи було програмно реалізовано та використано для ряду практичних впроваджень.