Поиск Карта сайта Главная страница

           

Добро пожаловать! Поиск | Активные темы | Вход | Регистрация

Информация о пользователе: sovconsult
Информация
Имя: sovconsult
Ранг: Кандидат
Местонахождение Санкт-Петербург
Статистика
Зарегистрирован: Wednesday, June 22, 2016
Предыдущий визит: Saturday, March 25, 2023 7:14:56 PM
Количество сообщений: 36
[0.02% от всех сообщений / 0.01 сообщений в день]
Аватара
Карточка
ФИО Murashev Kirill
Дата рождения 6/24/1985
Пол Мужской
E-mail kirill.murashev@gmail.com
Страна Эстония
Область, край, республика Санкт-Петербург
Город Санкт-Петербург
Адрес Tallinn
URL www.sovconsult.se
В какой СРО оценщиков состоит 09 - СПО Некоммерческое партнерство Саморегулируем
Специализация
оценщик действующего предприятия (бизнеса)
оценщик недвижимости
оценщик машин и оборудования
оценщик нематериальных активов
оценщик ценных бумаг
оценщик автотранспорта
юрист
Форма обучения СПбГИЭУ Машиностроение 2007 очная (дневная)
Год начала оценочной деятельности 2008
Оценочная деятельность СПбГУ 28.02.11
Место работы ООО "Линкор" Директор по оценке
Последние 10 сообщений
Тема: Электронные таблицы в помощь оценщикам
От: Saturday, March 11, 2023 8:33:24 PM
1. Геокодирование и расчёт дистанции между объектами.

Разработал электронную таблицу (Google Sheets), получающую координаты объектов по их адресу либо названию, которая затем рассчитывает расстояние между ними. Обеспечивает определённую степень автоматизации при работе с геоданными для оценщиков.
Видеоинструкция на русском языке.

https://docs.google.com/spreadsheets/d/1reaO4XeWRMj7XoDCROp5boWp1uvc-3Cqk4DKKdCuVtE/edit?usp=sharing

Продолжение темы обеспечения инфраструктуры пространственных данных для оценщиков.

Доработал таблицу. Теперь она предлагает два варианта расчёта расстояния:
1) ранее реализованный вариант расчёта кратчайшего расстояния на поверхности сферы (haversine);
2) расчёт расстояния с учётом дорожной сети (blockhouse) по трём вариантам:
а) пешеход;
б) автомобиль;
в) общественный транспорт.
Помимо расстояния также проводится примерный расчёт времени на перемещение между двумя точками.

https://docs.google.com/spreadsheets/d/1reaO4XeWRMj7XoDCROp5boWp1uvc-3Cqk4DKKdCuVtE/edit?usp=sharing
Тема: Набор решений на Python для оцещиков
От: Thursday, February 16, 2023 4:53:42 PM
Владимир Коломна сообщал(а):
http://sroroo.ru/press_center/news/3709917/

"СЕРВИС ОЦЕНКИ НЕДВИЖИМОСТИ НА ОСНОВЕ ИИ «ОЦЕНКА.TECH» ПРИВЛЕК 9 МЛН РУБЛЕЙ
14 Февраля 2023
Сервис оценки недвижимости на основе искусственного интеллекта (ИИ) «Оценка.tech» привлек 9 млн рублей на pre-seed-раунде, сообщил RB.RU представитель компании. Инвестором выступил бизнес-ангел Ильдар Гамилов.
«Оценка.tech» представляет собой сервис на основе ИИ, который позволяет автоматически производить оценку объектов недвижимости. Ее заказывают заемщики для получения ипотечного кредита либо его рефинансирования..."

sovconsult, все уже изобретено и работает)))
Еще один момент по игре с данными: в соседней ветке - появился вопрос - тут же г-н Яскевич со своим наиновейшим справочником с циферькой)))




Есть сайт ocenka.tech. Это они? Пока не могу сказать ничего определённого. Методы работы не раскрыты.
Тема: Набор решений на Python для оцещиков
От: Tuesday, February 14, 2023 11:42:07 AM
blinov-a-v сообщал(а):
sovconsult сообщал(а):
Я понял Вашу идею так: есть "правильная" индивидуальная оценка, и есть задача проверить, насколько хорошо справится массовая оценка. Здесь вопрос в том, что кто может дать гарантию, что индивидуальная действительно правильная.


Напротив, моя практика показывает, что увеличение объема выборки с применением многофакторных моделей часто дает более высокую точность оценки (меньший доверительный интервал для регрессионного среднего по сравнению с доверительным интервалом мат.ожидания по малой выборке). Но до определенной степени. При дальнейшем увеличении объема выборки (и количества параметров модели) точность падает. Отсюда задача: найти золотую середину. Показать практическую значимость этой задачи лучше всего на базе множества подвыборок из одной базы данных. А поскольку процесс формирования и отладки модели достаточно сложно алгоритмизировать, тут как раз могут быть полезны методы AI. Которые в дальнейшем можно использовать в практической оценке, показав таким образом их эффективность.

Вы затронули тему одновременного увеличения количества аналогов и признаков. Связь между "хорошим" соотношением числа одних и других никем теоретически не исследована. То есть работ и рекомендаций хватает, но они чисто эмпирические. На мой взгляд, связь примерно квадратическая. То есть увеличение числа признаков требует огромного непропорционального увеличения числа аналогов.
Задам встречный вопрос: какое количество аналогов Вы считаете максимально достижимым для оценщика на практике. А я скажу в ответ, какое число признаков, на мой взгляд, максимально применимо в такой ситуации. Обсудим это.
Сделать много подвыборок как раз несложно. У меня есть готовый датасет с 2355 наблюдениями. Можно из него сделать несколько сотен подвыборок.
Тема: Набор решений на Python для оцещиков
От: Thursday, February 09, 2023 11:34:06 AM
Владимир Коломна сообщал(а):
sovconsult сообщал(а):

В общем-то нет какой-то чёткой границы между статистикой, машинным обучение, искусственным интеллектом, глубоким анализом данных и т.д.

Не получается впарить (выдвинуть в топ) свою идею?

https://ocenschiki-i-eksperty.ru/events/3027-preobrazovanie-rynochnyh-dannyh-po-metodu-box-cox-i-vychislenie-ego-optimalnyh-parametrov-v-elektronnoj-tablice


"Кирилл Мурашев ответил
15 ноября 2022 в 20:11:56


Понятно, что можно просто по справочникам, но это не оценка и ей осталось жить пару лет."

Классно вы загнули:
Справочники - это не оценка;
Осталось пару лет.

Вы бы это составителям справочников сказали))) А так подождем до конца 2024 года - посмотрим сбудутся ли ваши утверждения.


Всё было сказано ещё на МКОД 2021. И да, справочники — это не оценка.
Тема: Набор решений на Python для оцещиков
От: Thursday, February 09, 2023 10:32:48 AM
blinov-a-v сообщал(а):
Вот только я не понял, какое отношение данная программа имеет к machine learning methods.

В общем-то нет какой-то чёткой границы между статистикой, машинным обучение, искусственным интеллектом, глубоким анализом данных и т.д. Есть много материалов на эту тему, картинок и сравнительных таблиц. Но в целом, это всё про одно: как вытащить знания из данных. Я субъективно в большей степени отношу к статистике методы, непосредственно связанные со статистическим выводом. И к машинному обучению те, где идея другая. Плюс чисто статистические методы всегда имеют строгое математическое обоснование. А методы машинного обучения далеко не всегда. У Jackknife нет особой теоретической базы. Он "просто работает".

blinov-a-v сообщал(а):
Имея базу данных и средства ее оперативной обработки, я бы прежде всего заинтересовался возможностью сравнения результатов индивидуальной оценки (на малых однородных выборках) с результатами оценки на основе многофакторных регрессионных моделей с пошаговым увеличением количества параметров и объема выборки.

Я понял Вашу идею так: есть "правильная" индивидуальная оценка, и есть задача проверить, насколько хорошо справится массовая оценка. Здесь вопрос в том, что кто может дать гарантию, что индивидуальная действительно правильная.

blinov-a-v сообщал(а):
И тут AI как раз может быть полезен для выявления оптимального объема выборки. Это не совет Вам и, тем более, не упрек; так, мысли вслух.

Можно рассчитать объём выборки в standalone режиме. Например, путём развития метода MDE. Он предназначен для определения максимально возможной точности при заданных параметрах. Но из его формулы можно вывести и объём выборки, используя требуемую точность как входной параметр.
Тема: Набор решений на Python для оцещиков
От: Monday, February 06, 2023 10:19:15 PM
Спасибо за отзыв. Переработал материал. Теперь всё корректно.
Тема: Набор решений на Python для оцещиков
От: Monday, February 06, 2023 9:48:02 PM
blinov-a-v сообщал(а):
sovconsult сообщал(а):
Random sample:
[213889. 161667. 148830. 189706. 139382. 231935. 198765. 181985. 210697. 134454. 108974. 150000. 121429. 223214. 177384. 195000. 138900. 221212. 233333. 110754. 83459. 151282. 198780. 145516. 204433.]
The mean of unit price for random sample is 147030.5
The maximum of unit price for random sample is 181481.0

As we can see, the expectation is 176116.525, the sample mean is 147030.500, and the adjusted mean obtained by the jackknife method is 170999.200.

У Вас ошибка (выделено жирным). А 170999.200 - это и есть выборочное среднее, а не adjusted mean obtained by the jackknife method.

Бурцев И. сообщал(а):
Всё проще

Все еще проще: сначала сделаем простую арифметическую ошибку, а потом ее доблестно исправим сложным способом.Улыбка


Посмотрите код. rs_mean считается функцией ran_sam['price_m'].mean().
Тема: Набор решений на Python для оцещиков
От: Monday, February 06, 2023 2:54:41 PM
Данная тема будет содержать перечень готовых бесплатных и свободных программных решений для оценки стоимости и анализа рынка.

1. Вычисление оценок параметров рынка на основе данных малых выборок: английская, испанская и русская версии материала.

Описание:
При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python.


Upd. Материал переработан.

2. Материал о применении бутстрапа в оценочной деятельности на примере разработки элементов кредитной политики небольшого банка. В целом можно сказать, что данный метод является одним из краеугольных камней машинного обучения и может быть использован практически повсеместно в повседневной практике оценщиков. Материал состоит из небольшой теоретической части, а также кода на языке Python. Доступен на английском, испанском и русском языках.

https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP.ipynb

https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-esp.ipynb

https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-nrs.ipynb
Тема: Проверка нормальности распределения рыночных данных в электронной таблице
От: Thursday, December 15, 2022 8:18:51 PM
Владимир Коломна сообщал(а):
Автор и еже с ним, о чем можно вообще говорить, если даже в судебках пишут эксперты про то, что кто-то где-то сказал и это впихивают в судебки)))

Пример: судебка - оценка гаража (Москва) - корректировка на наличие подвала/погреба (со слов риэлтора в Курской области погреб увеличивает порядка 10%, далее инфа на каком-то сайте (Москва и область) до 30%)
Далее высчитывается средняя по больнице Москва-Курск и вуаля - все готово.

Вот вам и нормальность распределения)))) А вы пишите про ИИ и автоматизацию))))


Их дело. Будущее оценки за ИИ, а кто-то пусть заработает пока таким способом.
Тема: Проверка нормальности распределения рыночных данных в электронной таблице
От: Monday, December 05, 2022 4:34:54 PM
Владимир Коломна сообщал(а):
Автор, что вы подразумеваете под "искусственным интеллектом в оценке стоимости"?

https://www.asn-news.ru/news/81553
"...Осмотр автомобиля проводится через специально созданное приложение. Система Qapter’s Visual Intelligence определяет характер повреждений: распознает царапины, вмятины, разбитые стекла, деформированные или отсутствующие детали, а также глубину повреждений всего за три минуты. Далее она автоматически производит оценку стоимости восстановительного ремонта без участия человека...."

Теперь забегаем немножко в будущее:
Есть ИИ в оценке (по всем направлениям), первичные данные задает пользователь (нынешний клиент) - ИИ работает - результат пользователю (в любом удобном формате) - необходимость в оценщиках-физ. лицам отпала.

Теперь настоящее: ввели Дом клик и тут же через несколько лет у оценщиков, работающих с данным приложением пошли сопли и плачи: снизился уровень работы (заработок упал).

Возвращаемся к вопросу к автору: вы предлагаете автоматизацию работы оценщика? ИИ в оценке? Тогда ИИ в каком виде? В виде программ, приложений по автоматизации работы оценщика?

Пока есть оценщик в цепочке по оценке, то ИИ непонятное звено. Если оценщика нет в цепочке по оценке, то и интереса у оценщика-физ. лица не будет в данной деятельности.

Поэтому снова возвращаемся к вопросу: что вы подразумеваете под "искусственным интеллектом в оценке стоимости"?

Если вы хотите создать ИИ в оценке стоимости, а не автоматизацию работы оценщика, то почему бы не сделать предложения СРО, Минэкономразвития, собрать круг единомышленников, подключить специалистов компьютерной сферы? И в дальнейшем, после успешной работы, ввести изменения в 135-ФЗ, наделить ИИ полномочиями по оценке и все - работать в цифре без вмешательства человеческого фактора. Администрирование на уровне федерального. Или у вас просто меркантильные предложения по продвижению своей продукции?




Я как раз понимаю, что такое ИИ, и потому не слишком переоцениваю его возможности. Опять же, если кратко. ИИ --- это скорее система поддержки принятия решений для оценщика. И скоринговая система для банка или страховой. Заменить человека полностью в отрасли пока не удастся, но сократить количество бесполезной обезьянней работы вроде того, что десятки если не сотни оценщиков копируют руками данные объявлений, тратя на это часы, --- вполне. Тем более, что одни и те же данные могут вводить многие люди. Разве плохо было бы иметь общую базу аналогов и уже готовые модели ценообразования того или иного рынка? При условии что это open-source и бесплатно по умолчанию.
 

Разработка и дизайн сайта
«ИнфоДизайн» © 2005