News feed

Innehåll visas utifrån dina val

Om du inte hittar någon sida, schemahändelse eller nyhet på din kurswebb kan det bero på att du inte ser den kursomgången/gruppen inom kursen som innehållet tillhör.

Veta mer om din kurswebb

Din kurswebb är sidorna för en kurs du prenumererar på. Du väljer sedan vilka omgångar/grupper inom kursen du vill ha information från. Är du registrerad på en kursomgång sköts prenumeration och val av kursomgäng automatiskt åt dig. Vill du ändra något av detta gör du det under Mina inställningar.

När du är inloggad på din kurswebb ser du:
  • Kursöversikt, nyheter och schema med information som är filtrerat utifrån dina valda omgångar/grupper inom kursen
  • Allmänna sidor för hela kursen
  • Kurswikin som är sidor som alla, lärare och studenter, kan skapa och redigera
  • Sidor som hör till de omgångar/grupper inom kursen du valt eller som valts för dig

Log in to your group web

You are not logged in KTH, so we cannot customize the content.

You are not logged on. Log in with your KTH-account to participate in the discussion.

Latest posts, comments, etc in descending order

September 2019
Administrator Sarunas Girdzijauskas posted 25 September at 17:37
Administrator Sarunas Girdzijauskas edited 25 September at 17:38

Welcome to the following thesis defense:Student: Jakub Kowalczewski Date and Time: 9am, Wednesday, 2 October 2019 in Ada room (Electrum building) Examiner: Šarūnas Girdzijauskas Supervisor(s): Henrik Boström Title: "Normalized conformal prediction for time series data" Opponents: José María Vera Barberán Abstract Every forecast is valid only if proper prediction intervals are stated. Currently models focus mainly on point forecast and neglect the area of prediction intervals. The estimation of the error of the model is made and is applied to every prediction in the same way, whereas we could identify that every case is different and different error measure should be applied to every instance. One of the state-of-the-art techniques which can address this behaviour is conformal prediction with its variant of normalized conformal prediction. In this thesis we will try to apply this technique into time series problems. The special focus will be put to examine the technique of estimating the difficulty of every instance using the error of neighbouring instances. This thesis will describe the entire process of adjusting time series data into normalized conformal prediction framework and the comparison with other techniques will be made.

 
August 2019
Administrator Sarunas Girdzijauskas posted 29 August at 14:56
 
June 2019
Administrator Sarunas Girdzijauskas posted 19 June at 10:12
 
Administrator Sarunas Girdzijauskas posted 7 June at 22:10
 
Alf Thomas Sjöland posted 5 June at 17:45
 
December 2018
Administrator Sarunas Girdzijauskas posted 7 December 2018
 
Administrator Sarunas Girdzijauskas posted 7 December 2018
 
August 2018
Administrator Sarunas Girdzijauskas posted 29 August 2018
 
Administrator Sarunas Girdzijauskas posted 29 August 2018
 
Administrator Sarunas Girdzijauskas posted 21 August 2018
 
Feedback News