A. Organizacja zajęć
Konsultacje po uzgodnieniu mailem.
Nie odpowiadam na maile "co było na zajęciach" w przypadku nieobecności, proszę się dowiadywać u osób z grupy.
Sprawy zajęć omawiamy wyłącznie na zajęciach.
W weekendy, poza zajęciami, nie odbieram poczty.
B. Zajęcia, uwaga: wszelkie informacje poniżej mają charakter roboczy, mogą ulec zmianie a ostateczna wersja podana będzie na zajęciach
I. Seminarium magisterskie - proszę dostarczać prace odpowiednio wcześniej przed ostatecznym terminem, praca trafia do kolejki innych prac i zadań
II. Big Data
Zaliczenie (w roku 2020/2021) polega na:
a) Napisaniu analitycznego referatu opisowego z problematyki Big Data (tematy do wyboru).
Wymiar ok 10 stron na osobę.
b) Wykonaniu raportu badawczego z badania algorytmu uczenia maszynowego (kod Matlab, Julia, Python lub inny analityczny).
wymiar 10 stron na osobę. Algorytm ICA (kody Matlba przekazane i przećwiczone na zajęciach).
Należy zbadać wpływ zmiany parametrów (np. współczynnik uczenia, nieliniowości lub macierz mieszając) na jakość separacji.
Zestaw danych źródłowych, do wygenerowani danych zmieszanych, każdy otrzymał indywidualnie.
Jakie ustawienia są badane każdy decyduje sam (niekończenie wiele możliwości), ocena jakości separacji wizualna (obrazki) i jakościowa.
Inwencja badawcza mile widziana. W raporcie proszę przejść od razu do meritum, ogólne wprowadzania do ICA nie są potrzebne.
c) Kolokwium /problematyka będzie podana na zajęciach/
III. Data Mining - zaliczenie projekt(50%), kolokwium(50%)
Projekt z wykorzystaniem SAS EM: dla danych infantbirthweight3_cm.sas7bdat (dostępny w SAS Help) należy przebadać jakość prognozy w ramach systemu podanego na zajęciach (zakres i wybór zmian i badań należy samemu określić).
Zakładamy przy tym, że badanie ma być zorientowane na sprawdzenie wpływa redukcja wymiaru zmiennych na wyniki modeli.
Oznacza to, że nie wykorzystujemy pełnej liczby zmiennych wejściowych (dokonujemy ich bezpośredniej redukcji lub za pomocą PCA).
Badania te wykonujemy przy różnych parametrach modeli (wpływ paramilitaryzacji) oraz pozostałych zmianach ustawień w węzłach procesu SEMMA. Zakres zmian i wybór parametrów to indywidualne decyzje badawcze.
Badanie wykonujemy dla problemu regresji oraz klasyfikacji.
Efektem końcowym ma być raport badawczy z opisem badania oraz wynikami w postaci tabel lub wykresów (ok. 10 stron).
Ocena będzie się wiązać z treściwością raportu (raczej nie występuje tu aspekt trudności).
-----------------------------------------------------------------------------------------------
Publikacje i badania naukowe cz.2 (in construction)
Szupiluk R.
Analytics platforms in information technologies: A methodological approach
w Disruptive Platforms Markets, Ecosystems and Monopolists, Routledge; 2021; strony 100-112
Szupiluk R.,
Sztuczna inteligencja – jej rozumienie i rozwój w świetle strategii Unii Europejskiej
w: Techniczno-społeczne uwarunkowania gospodarki cyfrowej, 2020;
Oficyna Wydawnicza SGH- Szkoła Główna Handlowa w Warszawie; 2020, strony 173-193
Szupiluk R., Rubach P.
Identification of Delays in AMUSE Algorithm for Blind Signal Separation of Financial Data,
Artificial Intelligence and Soft Computing. Springer; 2020, strony 253-261,
Szupiluk R., Rubach P.,
Separacja finansowych szeregów czasowych z wykorzystaniem dekorelacji z opóźnieniami,
Metody Ilościowe w Badaniach Ekonomicznych, 2019; strony 305-315;
Szupiluk R., Rubach P.,
Metodyka i praktyka filtracji opartej na ślepej separacji sygnałów
Roczniki Kolegium Analiz Ekonomicznych, 2019, strony 184-195;
Szupiluk R.,
Polityka gospodarcza i ekonomia w warunkach niepewności,
w Współczesna polityka gospodarcza red. J Stacewicz, Oficyna Wydawnicza SGH, 2018
Szupiluk R., Rubach P.,
Extreme Value Model for Volatility Measure in Machine Learning Ensemble,
Artificial Intelligence and Soft Computing, LNAI vol, 10841, pp. 247-256., 2018
Szupiluk R., Rubach P.,
Filtracja finansowych szeregów czasowych metodami nieujemnej faktoryzacji macierzy
Metody Ilościowe w Badaniach Ekonomicznych, 3/2018, str. 284-292, 2018
Szupiluk R., Rubach P.,
Identyfikacja komponentów destrukcyjnych w modelach predykcyjnych w podejściu wielomodelowym
Metody Ilościowe w Badaniach Ekonomicznych, 3/2017, str. 679-688, 2017
Ryszard Szupiluk, Tomasz Sobon,
Multiway Similarity Approach Based on Divergence Functions and Smoothness Measure,
Acta Physica A, 129 (5), 927-931, 2016.
Ryszard Szupiluk, Tomasz Ząbkowski, Tomasz Soboń,
Analysis of Financial Time Series Morphology with AMUSE Algorithm and Its Extensions,
Acta Physica A, 129 (5), 1018-1022, 2016.
Ryszard Szupiluk,
Wzorce na rynkach finansowych,
w: Polityka gospodarcza w warunkach przemian rozwojowych, s. 257-267, SGH, Warszawa 2016.
Publikacje i badania naukowe
Publikacje
1. Szupiluk R., Ząbkowski T., Gajowniczek K.:
Independent Component Analysis for Ensemble Predictors with Small Number of Models,
Acta Physica Polonica A, V. 127, No. 3A, March 2015.
2. Szupiluk R., Ząbkowski T., Gajowniczek K.:
Extended AMUSE Algorithm and Novel Randomness Approach for BSS Model Aggregation with Methodology Remarks,
Lecture Notes in Computer Science, Volume 9120, 2015, pp 527-537.
3. Gajowniczek K., Ząbkowski T., Szupiluk R.:
Grade analysis for energy usage patterns segmentation based on smart meter data,
Proceedings of 2nd IEEE International Conference on Cybernetics, 24-26.06.2015, 2015,Gdynia, Poland.
4. Gajowniczek K., Ząbkowski T., Szupiluk R.:
Blind Source Separation for Improved Load Forecasting on Individual Household level,
Advances in Intelligent Systems and Computing, 2015
5. R. Szupiluk:
„Nowe metody analizy danych a teoria ekonomii”,
rozdział w monografii "Podejście krótkookresowe i strategiczne w polityce gospodarczej", wyd. SGH 2015, s.245-270
6. R. Szupiluk , T. Ząbkowski:
EGLD system for noise identification in ensemble predictors,
COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering,
Vol. 33 Iss: 6, pp.2006 - 2015, 2014
7. T. Ząbkowski, K. Gajowniczek, R. Szupiluk: Estimating the ROC curve and its significance for classification models assessment,
Metody Ilościowe w Badaniach Ekonomicznych (Quantitative Methods in
Economics), Vol. XV, No. 2, 2014, pp. 382-391
8. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Smooth Component Analysis and MSE Decomposition for Ensemble Methods in Multi-Agent Environment,
International Journal of Innovative Computing, Information and Control, Volume 10, Number 4, pp. 1435-1445, August, 2014
9. R. Szupiluk, T. Ząbkowski:
Signal Randomness Measure for BSS Ensemble Predictors,
Artificial Intelligence and Soft Computing, Lecture Notes in Computer Science Volume 8468, pp 570-578, 2014
10. R. Szupiluk, T. Ząbkowski, K. Gajowniczek:
Independent Component Analysis for ensemble predictors with small number of model, FENS 2014
11. R. Szupiluk:
Dekompozycje wielowymiarowe w agregacji predykcyjnych modeli data mining, Oficyna Wydawnicza Szkoły Głównej Handlowej w Warszawie, 2013.
12. R. Szupiluk:
Noise identification in multivariate time series modeling with divergence approach,
Lecture Notes in Business Information Processing 158, 2013, 325-334.
13. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Dekompozycje wielowymiarowe w modelowaniu wartości zagrożonej,
Metody Ilościowe w Badaniach Ekonomicznych 2013,
14. R. Szupiluk, T. Ząbkowski:
Similarity Analysis Based on Bose-Einstein Divergences for Financial Time Series,
Lecture Notes in Computer Science, 7824, 2013, 417–427.
15. R. Szupiluk, T. Ząbkowski:
Noise identification for ICA ensemble predictors, Przegląd Elektrotechniczny 6, 2013, 307-309.
16. R. Szupiluk, T. Ząbkowski:
EGLD system for noise identification in predictors ensemble context, rozszerzony artykuł pokonferencyjny (ISTET 2013)
17. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Independent Component Analysis filtration for Value at Risk modelling,
Lecture Notes in Computer Science 8131, 2013, 553–562
18. R. Szupiluk, T. Ząbkowski:
A state space approach and Hurst exponent for ensemble predictors, Szupiluk R., Ząbkowski T., Communications in Computer and Information Science 383, 2013, 154–164
19. R. Szupiluk, Dywergencje Bosego-Einsteina w analizie
podobieństw finansowych szeregów czasowych,
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 2012, str. 213 – 221
20. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Smooth component analysis and mse decomposition for ensemble methods,
Lectures Notes in Artificial Intelligence 7327, Springer, Heidelberg, 2012, pp. 595-603
21. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Multiplicative ICA algorithm for financial dependencies identification,
Lectures Notes in Artificial Intelligence 7268, Springer, Heidelberg, 2012, pp. 608-615
22. Ryszard Szupiluk:
Niezależność i rzadkość sygnałów w ślepej separacji sygnałów,
XXXV IC-SPETO, Ustroń, 2012, pp. 75-76
23. R. Szupiluk, T. Ząbkowski:
Noise identification for ICA ensemble predictors, CPEE, 2012
24. Ryszard Szupiluk, Piotr Wojewnik:
Ekonomia ortodoksyjna a kryzys nowożytnego ideału nauki,
Granty Rektorskie SGH, Raporty z badań, Wydawnictwo SGH,2012
25. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
The Noise Identification Method Based on Divergence Analysis in Ensemble Methods Context,
Lecture Notes in Computer Science, 2011,
Springer, Heidelberg, Volume 6594/2011, 206-214
26. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Multistage Covariance Approach to Measure the Randomness in Financial Time Series Analysis
Lecture Notes in Computer Science, 2011, Springer, Heidelberg,
Volume 6682/2011, 610-619,
27. R. Szupiluk, K. Siwek,
Algorytm amuse w nieujemnej separacji sygnałów
XXXIV, IC-SPETO, Ustroń 2011
28. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Noise detection for ensemble methods,
Lecture Notes in Artificial Intelligence, vol. 6113, Springer, Heidelberg, 2010, 471-478
29. R. Szupiluk:
Noise Detection for Latent Component Classification in Ensemble Method,
Przegląd Elektrotechniczny, rok: 2010, R. 86, nr 1, s. 144—146
30. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
The joint variability of the system for destructive components analysis in ensemble prediction context,
Intelligent Information Systems, Siedlce, 2010, 253-259
31. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Aggregated Information Representation for Technical Analysis on Stock Market with Csiszár Divergence,
Lecture Notes in Computer Science, vol. 6071, Springer, Heidelberg, 2010, 272-281
32. R. Szupiluk,
Noise Detection for Latent Component Classification in Ensemble Method,
Proc. 10th IW CPEE, Waplewo, 2009
33.K. Siwek, S. Osowski, R. Szupiluk
Ensemble neural network approach for accurate load forecasting in a power system,
International Journal of Applied Mathematics and Computer Science, 2009,Volume 19, Number 2, 303-315
34. R Szupiluk,
Agregacja modeli predykcyjnych z wykorzystaniem dekompozycji błędu średniokwadratowego
Roczniki Kolegium Analiz Ekonomicznych, SGH, 2009.
35.R. Szupiluk, P. Wojewnik, T. Ząbkowski,
Theoretical background for ensemble methods with multivariate decomposition
Proceedings of the 9th WSEAS international conference on Simulation, modelling and optimization table of contents, Budapest, Hungary,Pages 266-270, 2009
36. R. Szupiluk, P. Wojewnik, T. Ząbkowski,
Data mining for telecomunication abuse identification,
Proc.9th International Conference on Information Management, Gdańsk-Jelitkowo / Poland, June 3-5, 2009
37. R. Szupiluk, P. Wojewnik, T. Ząbkowski, K. Siwek
Decorrelation methods and quality of amuse algorithm for signals separation,
XXXII IC SPETO, Ustroń, 2009
38. R. Szupiluk, P. Wojewnik, T. Ząbkowski,
Generalized Extreme Value Distribution for Smooth Component Analysis in Prediction Improvement,
Springer Verlag , Lecture Notes in Artificial Intelligence vol 5177, 2008, pp. 749-756
39. R. Szupiluk, P. Wojewnik, T. Ząbkowski,
The R/S Analysis for the Latent Component Identification for Prediction Improvement
Computational Inteligence: Methods and App. EXIT 2008, pp. 590-598
40. R. Szupiluk, P. Wojewnik, T. Ząbkowski, K. Siwek,
Ensemble Method With Amuse Algorithm And Component Classification By Fractal Dimension,
31 IC-SPETO 2008, Ustroń, Polska, pp. 157-158
41. R. Szupiluk, P. Wojewnik, T. Ząbkowski, K. Siwek,
Novel variability measure in latent component identification
for prediction improvement,
CPEE’08, Ałuszta 2008, Ukraina
42. R. Szupiluk, P. Wojewnik, T. Ząbkowski, K. Siwek,
ICA method and RBF neural network for prediction improvement,
Przegląd Elektrotechniczny , numer R 83, 11/2007 rok 2007, str. 57-59
43. R. Szupiluk Krzysztof Siwek, P. Wojewnik, T. Ząbkowski
Multistage filtration via blind signal separation for prediction improvement,
Przegląd Elektrotechniczny , numer 2k/2007
44. R.Szupiluk, P. Wojewnik, T. Ząbkowski
Smooth Component Analysis as Ensemble Method for Prediction Improvement,
ICA2007, Lecture Notes in Computer Science, Springer Berlin-Heidelberg, vol. 4666/ 2007 pp. 277-284
45. R. Szupiluk, P. Wojewnik, T. Ząbkowski
Second Order Blind Signal Separation With The Delay Number Estimation
XXX IC-SPETO, Gliwice, 2007
46. R. Szupiluk, P. Wojewnik, T. Ząbkowski:
Ensemble methods with non-negative matrix factorization for non-payment prevention system
Proceedings of the 11th WSEAS International Conference on SYSTEMS, Agios Nikolaos, Crete Island, Greece, July 23-25, 2007
47. R. Szupiluk, P. Wojewnik, T. Ząbkowski
New Ensemble Metod for Prediction Improvement with Application In Telecommunication,
Proc. Of 9th Int. Conf on Telecommunications ConTEL 2007, Zagrzeb 2007, IEEE 07EX1624
48. R. Szupiluk, P. Wojewnik, T. Zabkowski,
Prediction Improvement via Smooth Component Analysis and Neural Network Mixing,
ICANN 2006, Lecture Notes in Computer Science 4132, Springer Berlin / Heidelberg 2006, pp 133-140.
49. R. Szupiluk, P. Wojewnik, T. Zabkowski
Temporal Blind Source Separation Methods For Models Results Improvement,
Artificial Intelligence and Soft Computing, seria Challanging Problems in Science, wydawnictwo Exit, Warszawa , 2006, strony 284 - 300
50. R. Szupiluk, P. Wojewnik, T. Zabkowski, K.Siwek
Multicrieria Decision System for Model Integration by Blind Source Separation Methods,
XXIX IC-SPETO, Ustroń, 2006, pp. 333-336
51. R. Szupiluk, P. Wojewnik, T. Zabkowski, K.Siwek,
Blind Signal Separation with Smooth Component Analysis,
XXIX IC-SPETO, Ustroń, 2006, pp. 463-466
52. R. Szupiluk, K. Siwek, P. Wojewnik, T. Ząbkowski,
Ensemble method with blind signal separation and Hurst exponent,
VII International Workshop CPEE'06, Odessa 2006, pp. 169-172.
53. R. Szupiluk, P. Wojewnik, T. Ząbkowski
Blind Signal Separation for Integration of Neural Networks Results
In Proc. of 9th IEEE/ISIF Int. Conf. Fusion 2006, Florence 2006, pp.1-6,
54. R. Szupiluk, P. Wojewnik, T. Ząbkowski,
Combining Forecasts with Blind Signal Separation Methods in Electric Load Prediction Framework
Artificial Intelligence and Applications, AIA 2006, Innsbruck, Austia, February 13-16, 2006
55. K. Siwek, S. Osowski, R. Szupiluk, P. Wojewnik, T. Ząbkowski,
Blind Source Separation for Improved Load Forecasting in the Power System,
IEEE Conf. ECCTD 2005, Cork, Irlnandia
56. R. Szupiluk, P. Wojewnik, T. Ząbkowski,
PCA and ICA Methods for Prediction Results Enhancement,
IIP WM’05, Advances in Soft Computing, , Springer Verlag, Berlin 2005, s. 387-394
57. R. Szupiluk, P. Wojewnik, T. Ząbkowski,
Blind Signals Separation with Second Order Statistics in SAS/IML,
SAS Users Group International (SUGI) annual conference, April 10-13, 2005, Philidelphia, PA
58. R. Szupiluk, P. Wojewnik, T. Ząbkowski, K. Siwek,
Metody ślepej separacji sygnałów oraz algorytmy segmentacji w analizie danych
XXVIII, IC-SPETO, 2005
59. R. Szupiluk, P. Wojewnik, T. Ząbkowski, K. Siwek
Nonlinear Decorrelation for Independent Component Analysis with a-stable Distributions
ISTET 2005, July 4-7, 2005, Lviv, Ukraine
60. R. Szupiluk, P. Wojewnik, T. Ząbkowski,
Model Improvement by the Statistical Decomposition.
Artificial Intelligence and Soft Computing - ICAISC 2004: Lecture Notes in Computer Science, Volume 3070/2004, Springer-Verlag, Heidelberg 2004, s. 1199-1204.
61. R. Szupiluk, Piotr Wojewnik, Tomasz Ząbkowski, Independent Component Analysis for Filtration in Data Mining, IIP WM’04, Advances in Soft Computing, Springer Verlag, Berlin 2004, s. 117-128.
62. P. Wojewnik, R. Szupiluk, T. Ząbkowski
Postprocessing Integration of Models in Knowledge Discovery.
Informatyka Ekonomiczna, Przegląd Naukowo Dydaktyczny. Prace Naukowe Akademii Ekonomicznej im. Oskara Lange’go we Wrocławiu Nr 1027. Wrocław 2004, s.169-175.
63. R. Szupiluk, T. Ząbkowski, P. Wojewnik, K. Siwek
Modelling Improvement by Independent Component Analysis
Proc. of XXVII IC-SPETO Int. Conf. on Fundamentals of Electrotechnics And Circuit Theory. Niedzica, 2004.
64. R. Szupiluk, P. Wojewnik, T. Ząbkowski, K. Siwek,
Independent Component Analysis with alpha-Stable Distributions,
VI International Workshop CPEE'04, Zakopane, Poland, September 1-4, 2004, pp. 227-230
65. R. Szupiluk, K. Siwek, S. Jabłonowski,
Blind Source Separation with Filtered Time Delay Decorrelation,
VI International Workshop CPEE'04, Zakopane, Poland, September 1-4, 2004, pp. 58-61;
66. R. Szupiluk, P. Wojewnik, T. Ząbkowski
Data Mining and Independent Component Analysis for Invoice Amount Prediction
Proc. of 7th International Conference on Business Information Systems (BIS2004). Poznań 2004, s.63-70.
67. T. Ząbkowski, R. Szupiluk, P. Wojewnik
Predicting customers’ behaviour for bad debt reduction
Proc. of SAS Forum International. Copenhagen, Dänemark 2004.
68. R. Szupiluk, P. Wojewnik, T. Ząbkowski
Independent Component Analysis for Modelling Improvement
Schedae Informaticae 13:151-164, Jegiellonian University Press, Kraków 2004.
69. R. Szupiluk, T. Ząbkowski, P. Wojewnik
Blind Information Processing by Multistage Time Delay Decorrelation
Informatyka Ekonomiczna, Aspekty Naukowe i Dydaktyczne. Częstochowa, 2004, s.117-120.
70. T. Ząbkowski, R. Szupiluk, P. Wojewnik
Efficient knowledge utilization in Data Mining modeling
Informatyka Ekonomiczna, Aspekty Naukowe i Dydaktyczne. Częstochowa 2004, s.121-124.
71. R. Szupiluk, P. Wojewnik, T. Ząbkowski
Independent Component Analysis as Postprocessing Stage in Data Mining.
Proc. of AI-METH 2003 Symposium on Methods of Artificial Intelligence. Gliwice 2003.
72. R. Szupiluk, S. Jabłonowski
Deceleration Methods and SVD Decomposition for Blind Signal Estimation
ISTET ’03, XII International Symposium on Theoretical Electrical Engineering July 6 – 9, 2003 Warsaw, Poland
73. R. Szupiluk, A. Cichocki
Metody dekorelacji i dekompozycji SVD w zastosowaniu do ślepej estymacji sygnałów,
XXV IC-SPETO, s. 505-508, Ustroń, Polska, Maj, 2002.
74. A. Cichocki, K. Siwek, R. Szupiluk, L. Moszczyński
Blind Signal Extraction for Multisensory Biomedical Signals,
XXV IC-SPETO, 2002
75. R. Szupiluk, A. Cichocki
Analiza R/S w identyfikacji cykli w sygnałach okresowych
XXIV IC-SPETO, s. 489-492, Ustroń, Polska, Maj, 2001.
76. R. Szupiluk, A. Cichocki
Ślepa separacji sygnałów przy wykorzystaniu statystyk drugiego rzędu,
XXIV IC-SPETO, s. 485-488, Ustroń, Polska, Maj, 2001.
77. R. Szupiluk, A. Cichocki
Wieloetapowa dekompozycja SVD w zastosowaniu do ślepej estymacji sygnałów,
III Polsko-Ukraińska Szkoła-Seminarium, s. 98-101, Ałuszta, Krym, Ukraina, 2-3 wrzesień, 2001.
78. R. Szupiluk, A. Cichocki
Analiza R/S w detekcji szumu w sygnałach,
XXIII IC-SPETO, s.395-398, Ustroń, Polska, Maj, 2000.
79. R. Szupiluk, A. Cichocki
Metody analizy składników niezależnych oraz filtr Kalmana w zastosowaniu do ślepej estymacji sygnałów,
XXIII IC-SPETO, s. 291-294 Ustroń, Polska, Maj, 2000.
80. R. Szupiluk, A. Cichocki
Metoda analizy składowych niezależnych w zastosowaniu do estymacji sygnałów w obecności szumu addytywnego,
XXIII SPETO, s. 429-432, Ustroń, Maj, Polska, 1999.
81. R. Szupiluk
Ekstrakcja szumu metodami ślepej separacji sygnałów,
XX SPETO, s. 541-544, Ustroń, Polska, Maj, 1997
Produkty naukowo badawcze
Opracowanie algorytmu separacji AMUSE wraz implementacją w programie Matlab,
algorytm wykorzystany jest w pakiecie stworzonym w ośrodku badań podstawowych RIKEN
a) separacja sygnałów http://www.bsp.brain.riken.jp/ICALAB/ICALABSignalProc/
b) separacja obrazów http://www.bsp.brain.riken.jp/ICALAB/ICALABImageProc/
Badania własne (wybrane)
1. Separacja danych i analiza składowych niezależnych w finansach oraz problemach data mining, 2003
2. Dekompozycje wielowymiarowe jako wspomaganie procesu modelowania procesów finansowych, 2004
3. Integracja informacji z wykorzystaniem metod ślepej separacji sygnałów,2005
4. Filtracja metodami ślepej separacji sygnałów w zastosowaniu do poprawy jakości predykcji szeregów czasowych, 2006
5. Agregacja modeli z wykorzystaniem dekompozycji wielowymiarowych w zastosowaniu do prognozy odejścia klientów, 2007
6. Analiza zmienności szeregów czasowych w metodzie integracji modeli predykcyjnych, 2008
7. Nowe metody analizy zależności w szeregach czasowych z zastosowaniem do modelowania zjawisk ekonomicznych, 2009
8. Detekcja szumów losowych z wykorzystaniem miar dywergencji, 2010
Badania statutowe (wybrane)
1. Tytuł opracowania własnego, Separacja sygnałów – nowe algorytmy i zastosowania, 2002
2. Temat: Systemy wspomagania organizacji gospodarczych, kierownik dr A.Kobyliński , 2006
Tytuł opracowania własnego
Analiza składowych gładkich w zastosowaniu do integracji modeli
3. Temat: Problemy wytwarzania, wdrażania, utrzymania i zastosowania systemów informatycznych, kierownik dr hab. Andrzej Kobyliński, 2007
Tytuł opracowania własnego
Ślepa separacja sygnałów w oparciu o statystyki drugiego rzędu z estymacją opóźnień
4. Temat: Technologiczne, organizacyjne i zarządcze problemy budowy, wdrażania i użytkowania systemów informatycznych, kierownik dr hab. A. Kobyliński, prof. SGH 2008
Tytuł opracowania własnego
Identyfikacja komponentów bazowych w metodzie agregacji modeli
5. Temat: Technologie informatyczne w organizacjach gospodarczych - wybrane zagadnienia teoretyczne i zastosowania praktyczne, kierownik dr Beata Czarnacka-Chrobot, 2009
Tytuł opracowania własnego
Noise Detection for Latent Component Classification in Ensemble Method
6. Problemy budowy, wdrażania i utrzymania współczesnych systemów informatycznych,
kierownik Prof. dr hab A. Kobyliński, 2010
Tytuł opracowania własnego
Noise detection for ensemble methods
7. Problemy wdrażania, integracji i zastosowań systemów informatycznych zarządzania
Kierownik dr Przemysław Plak, 2011
Tytuł opracowania własnego
ALGORYTM AMUSE W NIEUJEMNEJ SEPARACJI SYGNAŁÓW
8. Systemy informacyjne w praktyce gospodarczej -
analiza wybranych aspektów teoretycznych i praktycznych
Kierownik dr. P. Polak, 2012
Tytuł opracowania własnego
Niezależność i rzadkość sygnałów w ślepej separacji sygnałów
Granty ministerialne (udział: kierownik lub główny wykonawca)
1. Tytuł projektu badawczego
Modelowanie zmienności i ryzyka z wykorzystaniem metod ślepej identyfikacji oraz systemu Extended Generalized Lambda Distribution
DEC-2011/03/B/HS4/05092
Grant realizowany w latach 2012-2013
2. Tytuł projektu badawczego
Dekompozycje wielowymiarowe w agregacji predykcyjnych modeli Data Mining
grant nr N N111 281738
Grant realizowany w latach 2010-2012
3. Tytuł projektu badawczego
Metody predykcji 24-godzinnych obciążeń elektroenergetycznych przy wykorzystaniu ślepej separacji sygnałów i sieci neuronowych
grant nr N N510 345634,
Grant realizowany w latach 2008-2010
4. Tytuł projektu badawczego
Krótkoterminowe prognozowanie zapotrzebowania godzinnego na energię elektryczną przy zastosowaniu dekompozycji wielowymiarowych
grant nr 285/T10/2004/27,
Grant realizowany w latach 2004-2007
5. Tytuł projektu badawczego
Metody redukcji i eliminacji szumów przy estymacji i separacji sygnałów statystycznie niezależnych,
grant nr 8 T10A 012 18
Grant realizowany w latach 2000-2001
Badania konkursowe z rezerwy rektora (kierownik projektu)
1.System integracji wyników modeli prognostycznych , 2006
2. Prognozowanie odejść klientów z wykorzystaniem nowej metody integracji modeli predykcyjnych, 2007
3. Wykrywanie nadużyć na rynku telekomunikacyjnym za pomocą zintegrowanych modeli Data Mining, 2008
4. Wielomodelowe wykrywanie zagrożeń niewypłacalności w ramach umów abonenckich w firmie telekomunikacyjnej, 2009
5. Nowe wyzwania w teorii ekonomii po kryzysie gospodarczym, 2010
6. Ekonomia ortodoksyjna a kryzys nowożytnego ideału nauki, 2011
7. Kryzys emerytalny: przyczyny i możliwości przeciwdziałania, 2012
Europejski projekt innowacyjna SGH. Opracowania studiów przypadku:
a) Problem odejść klienckich w przedsiębiorstwie telekomunikacyjnym.
b) Wykrywanie nadużyć w przedsiębiorstwie telekomunikacyjnym
Projekty komercyjne (ponad 60, poniżej wybrane)
A. Projekty typu Data Mining
1. System wykrywający nielegalny transfer ruchu telekomunikacyjnego
2. Modelownie i prognozowanie odejść klienckich (churn)
3. Identyfikacja klientów o wysokiej skłonności odpowiedzi na kampanie dosprzedażowe
4. Segmentacja klientów pod kątem skłonności do regulowania faktur oraz optymalizacja kampanii ponagleniowych w celu poprawy przepływów finansowych.
5. Identyfikacja i ranking profitowych obszarów wprowadzania technologii UMTS
6. Identyfikacja ryzykownych klientów ze względu na profile połączeń miedzynarodowych
7. Identyfikacja nietypowych profili w połączeniach telekomunikacyjnych klientów
8. Klasyfikacja „złych” klientów ze względu na efektywność odzyskania należności
9. Geograficzna analiza ryzyka klienckiego
10. Estymacja rzeczywistego udziału rynkowego firm telekomunikacyjnych
11. Model predykcyjny klientów nabywających dodatkowe usługi finansowe
12. Model predykcyjny migracji klientów między rynkiem postpaid i prepaid
13. Model wyznaczani limitu kredytowego
B. Inżynieria finansowa
1. Model wyceny opcji wbudowanych w obligacje
2. Model wyceny derywatów - Cross Currency Interest Rate Swap
3. Model FX VaR
C. Szeregi czasowe
1. Prognozowanie ilości klientów nieaktywnych
2. Prognozowanie przychodów i rozchodów firmy
3. Prognozowanie czasu oczekiwania na obsługę reklamacji
4. Prognozowanie wielkości pozycji podatkowych
CV
1.Nauka
2003 dr inż. nauk technicznych
2014 dr hab. nauk ekonomicznych
2.Na zus
Korporacja - 15 lat i starczy
SGH - licznik ciągle bije
Inne - na swoim
3.Prywatnie
żona, trzech synów