Σειρά Ομιλιών AI@AUEB
Σειρά Ομιλιών AI@AUEB
Με αφορμή ένα πρόσφατο διεπιστημονικό άρθρο που δημοσιεύθηκε στο Nature (https://www.nature.com/articles/s41586-022-04448-z) και παρουσιάστηκε στο ΟΠΑ (https://www.aueb.gr/el/content/restoring-and-attributing-ancient-texts-using-deep-neural-networks-thea-sommerschield) αλλά και με δεδομένο το ενδιαφέρον της ακαδημαϊκής και ερευνητικής κοινότητας του ΟΠΑ για θέματα σχετικά με την Τεχνητή Νοημοσύνη (ΤΝ) και τους υπο-τομείς της (π.χ. μηχανική μάθηση, επεξεργασία φυσικής γλώσσας, υπολογιστική όραση), σχεδιάζεται μια σειρά ομιλιών για τα θέματα αυτά.
Οι ομιλίες θα γίνονται προς το παρόν μια φορά τον μήνα, στις οποίες θα παρουσιάζονται εργασίες των μελών της ακαδημαϊκής και ερευνητικής κοινότητας του ΟΠΑ ή/και προσκεκλημένων, σχετικές με την ΤΝ.
Σκοπός των ομιλιών αυτών είναι η δημιουργία συνεργασιών, τόσο μεταξύ των Τμημάτων του ΟΠΑ όσο και με εξωτερικούς φορείς και οργανισμούς, προβάλλοντας το έργο των μελών, ενισχύοντας περαιτέρω τις συνεργασίες και προσελκύοντας πιθανότατα πρόσθετους πόρους.
Η σειρά των ομιλιών ονομάζεται AI@AUEB και η μετάδοσή τους θα γίνεται διαδικτυακά μέσω MS Teams σε αυτή την πρώτη φάση.
Ακολουθούν πληροφορίες για την πρώτη προγραμματισμένη ομιλία:
1η Ομιλία ΑΙ@AUEB
Ημερομηνία/ώρα: Τρίτη 3 Μαΐου 2022, 17:15-18:00
Τίτλος: "Machine learning in U.S. bank distressed delisting prediction: A text-based approach"
Ομιλητές: Ν. Γκούμας, Γ. Λελεδάκης, Ε. Πυργιωτάκης, Ι. Ανδρουτσόπουλος
Περίληψη :
Amid advancements in technology, academics and practitioners are employing innovations in statistical methodology and incremental information sources to improve the economic health assessments of financial institutions. By employing textual analysis on U.S. Bank Holding Companies’ annual reports, having been filed over the period 1997-2018, we extract textual features based on bag of words (BOW) and embedding-based approaches. Then, we combine the extracted textual features with financial and market-driven variables as input to machine learning models to predict bank distressed delisting events. Our results suggest that for prediction horizons of one and two years of the filing date, the combination of these heterogeneous information sources serves incrementally accurate early warning signals in a distressed delisting prediction task. Therefore, our results contribute to micro prudential regulation by highlighting the importance of textual information in a bank distressed delisting prediction task.
Η Οργανωτική Επιτροπή της σειράς ομιλιών AI@AUEB:
Ίων Ανδρουτσόπουλος (Πληροφορική)
Δημήτρης Καρλής (Στατιστική)
Ιορδάνης Κουτσόπουλος (Πληροφορική)
Θεόδωρος Λάππας (Μ&Ε)
Γιώργος Λελεδάκης (ΛΟΧΡΗ)
Πάνος Λουρίδας (ΔΕΤ)
Γιάννης Ντζούφρας (Στατιστική)
Στέλλα Σπηλιώτη (ΟΔΕ)
Δαμιανός Χατζηαντωνίου (ΔΕΤ)
Προκειμένου να λαμβάνετε ενημερώσεις για τις ομιλίες AI@AUEB, μπορείτε να στείλετε μήνυμα ηλεκτρονικού ταχυδρομείου στη διεύθυνση ai_meetings-subscribe@lists.aueb.gr, ώστε να εγγραφείτε στη λίστα email των ομιλιών AI@AUEB. Για να διαγραφείτε από τη λίστα, μπορείτε να στείλετε μήνυμα στη διεύθυνση ai_meetings-unsubscribe@lists.aueb.gr. Μόνο οι διοργανωτές των ομιλιών μπορούν να στέλνουν μηνύματα προς τα μέλη της λίστας.
Αν έχετε λογαριασμό ΟΠΑ και θέλετε να βλέπετε τις προγραμματισμένες ομιλίες AI@AUEB στο ημερολόγιό σας στο MS Teams, εγγραφείτε στην ομάδα "AI@AUEB" στο MS Teams (κωδικός: r2dtl45). Τα μέλη της ομάδας μπορούν να στέλνουν επίσης γραπτά μηνύματα (chat) προς τα υπόλοιπα μέλη της ομάδας.
Για συμμετοχή στην οργάνωση των ομιλιών και προτάσεις ομιλιών/ομιλητών, μπορείτε να επικοινωνείτε με την οργανωτική επιτροπή.
