Какую бы работу не выполнял оценщик, во всех случаях он имеет дело с информацией и данными. Часто эти данные представляют собой числа либо могут быть формализованы иным образом. В любом случае требуется алгоритмическая обработка входных данных и преобразование их в информацию, а в некоторых случаях — в знания. Целью данного фрагмента является формирование общих представлений об основных понятиях и методах математической статистики, необходимых современному оценщику. Автор постарался прибегать к минимальному числу формул и сложных определений, хотя это и не вполне получилось. Поскольку конечной целью всей работы является цифровизация оценочной деятельности, в тексте приводятся короткие листинги на языках R и Python, позволяющие реализовать то, о чём говорится в тексте. В данном фрагменте рассматривается частотный подход к вероятности. Вопросы байесовской вероятности рассмотрены в отдельном материале…
Комментарии8
Читая материал, поймал себя на следующей мысли. Очень не хватает местами позиции автора, основанной на его практическом опыте, его мыслях, каких-то собственных находок и наработок. Сейчас очень много источников, при желании - можно найти любую информацию. Т.е. пересказ основ статистики - сам по себе не очень интересен, если он не будет содержать какого-то уникального практического опыта, авторских идей - особенно применительно к оценке. Мне по этой же причине больше нравится зарубежная научная литература, обычно "тамошние" авторы вкладывают в свои книги свои мысли, опыт, знания, идеи. А наша - в этом аспекте немного суха.
Материал и изложение в целом - понравились. Жду продолжения. И больше практических примеров и различных кейсов.
Если честно, не совсем понял, к чему это всё оценщику? Зачем столько сложностей... Как можно применить все эти знания на практике?
О переходе на программные решения банки, если мне не изменяет память, говорят с 2009 года.. Что-то конечно меняется. Но явно не так, как многими преподносилось. До сих пор радикальных изменений вроде не случилось.. Не все предпосылки созрели? А сейчас ситуация изменилась?
Да, очень существенный прогресс в области машинного обучения. Много хороших почти готовых решений. Нет необходимости писать код "с нуля".
Как мне видится, в 2009 году ещё не достаточно было "объема данных". Относительно, конечно. Уже тогда мы тестировали нейросеть по оценке квартир в Москве. Данных для большинства задач - хватало. Но это малый сдерживающий фактор. Основной мы как-то обсуждали здесь на портале. Он не изменился. Соответствующей инфраструктуры нет. Хотя, и это знак, к Сбербанку вроде бы пришло понимание, какая инфраструктура для этого дела необходима. И это не программный код. Это иные данные, без которой такую систему не построить.