Nos últimos anos a indústria de seguros tem buscado maneiras de aprimorar seus modelos usando Machine Learning. Uma delas é utilizar dados que vão além de um formulário preenchido pelo segurado para determinar o risco de acidentes. Um dos métodos utilizados é usar dados comportamentais do motorista, obtidos através de rastreamento via GPS. Desta maneira acredita-se ser possível capturar informações e padrões de perfil que vão além dos métodos tradicionais....

Viajar é a opção de lazer de muitas pessoas, e hoje os aplicativos que calculam rotas e nos ajudam a chegar nos lugares utilizando GPS são bastante úteis. Eles resolvem um dos problemas clássicos da otimização: o problema do caixeiro viajante (Traveling Salesman Problem). É bem provável que este seja o problema mais estudado na área de otimização discreta. Índice Por que ele é importante? Dados Preparando os dados Resolvendo o problema Mixed Integer Program Cálculo da distância (Meta) Heurísticas Greedy Iterated Local Search 2-Opt Simulated Annealing Resultados Por que ele é importante?...

Candlestick chart patterns are one of the most widely known techniques that claim to “predict” the market direction inside technical analysis circles. The development of this technique goes back to 18th century Japan, and it’s attributed to a Japanese rice trader. It consists of finding patterns based on charts made of the above figure with prices over a period of time. There are many patterns, old and new, available on the internet....

Time series are wonderful. I love them. They are everywhere. And we even get to brag about being able to predict the future! As a follow-up to the article on predicting multiple time-series, I receive lots of messages asking about prediction for more than a single step. A step can be any period of time: a day, a week, a minute, an year… So this is called multi-step forecasting. I want to show you how to do it with neural networks....