Димитър и Тодор са членове на FactSet Quantitative Research екипа, работещи със стохастична оптимизация, отговарящи за развитието на продукта откъм многостъпкови оптимизации. Димитър е текущ магистър по „Алгебра, Геометрия и Топология“ във ФМИ СУ, а Тодор завършва докторантура по математика в университета Хумболд в Берлин, Германия, специализирайки в областта на стохастичната оптимизация и модели на големи инвеститори. С тях ще ви срещнем на събитието Клъстъринг методи за дългосрочни инвестиционни стратегии на 4-ти декември. Преди това, те ни споделиха кое е най-голямото им технологично предизвикателство, с което са се сблъсквали и какво биха посъветвали всички, които сега започват да се занимават с Machine Learning!

Как започна да се занимаваш с Machine Learning?

Тодор: Правих стаж по време на бакалавъра си и след това продължих да работя в компанията за известно време.

Кой е най-интересният аспект от работата ти с Machine Learning?

Димитър: Това е тема, която теоретично е развита доста надълбоко, а същевременно всеки нейн дял има свое ‘физическо’ тълкуване или приложение. Тук човек трябва и да чете и да пише.

Кое е най-голямото технологично предизвикателство, с което си се сблъсквал?

Тодор: Как да се имплементира система, която пресмята статистики за множество от милиони клиентски портфейла в разумно време.

Димитър: Реализирането на подходящо решение на задачата, за която ще говорим пред вас.

Как го разреши/разрешихте?

Тодор: Все още работим по въпроса.

Димитър: Заповядайте на презентацията, ще ви покажем.

Ще споделите ли трите най-важни неща, които ИТ обществото може да научи от темата на предстоящата ви презентация?

Какво са адаптивни стратегии и как да се конструират оптимални такива. Има различни типове клъстъринг алгоритми, приложими за различни типове данни – основни неща за някои от тях.

Какво бихте посъветвали всички, които сега започват да се занимават с Machine Learning?

За начинаещ, практическите приложения на Machine Learning бързо и лесно го доказват като мощен инструмент благодарение на големите библиотеки от готови процедури.

Така, човек бързо започва да строи всякакви сложни алгоритми и да смята полезни статистически оценки за данните си. Резултатите, обаче, често са ограничени при този механичен  подход – бихме посъветвали начинаещите в Machine Learning да отделят не по-малко време за разбиране на теоретичната обосновка на един процес, от времето, нужно за програмната му реализация.


Регистрирай се за събитието


Стани част от потребителска група на Machine Learning. Абонирай се и ще ти изпращаме информация за всичко, което предстои в групата.

Визия: Личен архив

Прочети още:

Никола Караманов: Всеки ден се уча на нови неща, които ми позволяват да поглеждам проблема от различни гледни точки
Лаура Толош-Халачева: Изкуственият интелект може да промени света

Share This