Участник:Andriygav

Материал из MachineLearning.

Версия 19:38, 18 мая 2019 (править) Andriygav (Обсуждение | вклад) (→Осень 2018, 7й семестр) ← К предыдущему изменению		Версия 07:11, 28 мая 2019 (править) (отменить) Andriygav (Обсуждение | вклад) (→Весна 2019, 8й семестр) К следующему изменению →
Строка 15:		Строка 15:
	== Весна 2019, 8й семестр ==		== Весна 2019, 8й семестр ==
-	'''Анализ свойств локальных моделей в задачах кластеризации временных рядов'''<br/>	+	'''Ранее прогнозирования достаточного объема выборки'''<br/>
-	''Данная работа посвящена анализу периодических сигналов во временных рядах с целью распознавания физических действий человека с помощью акселерометра. Предлагается метод кластеризации точек временного ряда для поиска характерных сегментов временного ряда. Для построения признакового описания используется метода главных компонент для локального снижения размерности фазового пространства. Для оценки близости двух сегментов вычисляется расстояние между базисными векторами, которые получены методом главных компонент. Используя матрицу попарных расстояний между точками временного ряда выполняется кластеризация данных точек. Для анализа качества представленного алгоритма проводятся эксперименты на синтетических данных и данных полученных мобильного акселерометра. '' <br/>	+	''Исследуется проблема снижения затрат на сбор данных, необходимых для построения
		+	адекватной модели. Рассматриваются задачи линейной и логистической моделей. Для решения этих задач требуется, чтобы выборка содержала необходимое число объектов. Требуется предложить метод вычисления оптимального обьема данных, соблюдая при этом баланс между точностью модели и и трудозатратами при сборе данных. Предпочтительны те методы оценки объемы, которые позволяют строить адекватные модели по выборкам возможно меньшего объема. '' <br/>
	== Выступления на конференциях и семинарах ==		== Выступления на конференциях и семинарах ==

---

Версия 07:11, 28 мая 2019

Содержание 1 Личная информация 2 Весна 2018, 6й семестр 3 Осень 2018, 7й семестр 4 Весна 2019, 8й семестр 5 Выступления на конференциях и семинарах 6 Публикации

Личная информация

• Грабовой Андрей
• МФТИ, ФУПМ
• Интеллектуальные системы
• Интеллектуальный анализ данных
• E-mail: grabovoy.av@phystech.edu, andriy.graboviy@mail.ru

Весна 2018, 6й семестр

Автоматическое определение релевантности параметров нейросети
Работа посвящена оптимизации структуры нейронной сети. Предполагается, что число параметров нейроной сети можно существенно снизить без значимой потери качества и без значимого повышения дисперсии функции ошибки. Предлагается метод прореживания параметров нейронной сети, основанный на автоматическом определении релевантности параметров. Для определения релевантности параметров, предлагается проанализировать ковариационую матрицу апостериорного распределения параметров и удалить из нейросети наименее релевантные и мультиколлинеарные параметры. Для определения мультиколлинеарности предлагается использовать метод Белсли. Для анализа качества представленного алгоритма проводятся эксперименты на выборке Boston Housing, а также на синтетических данных.

Осень 2018, 7й семестр

Численные методы оценки объема выборки в задачах регрессии и классификации
Исследуется проблема снижения затрат на сбор данных, необходимых для построения адекватной модели. Решаются задачи регрессии и классификации. Для решения этих задач требуется, чтобы выборка содержала необходимое число объектов и не противоречила гипотезе порождения данных. Эта гипотеза состоит из предположений о составе выборки и свойствах модели, которая описывает ее оптимально, согласно принятому критерию. Адекватной называется модель, не противоречащая гипотезе порождения данных. Базовыми предположениями являются предположения о простоте и однородности выборки: выборка, необходимый объем которой требуется оценить, адекватно аппроксимируется одной обобщенно-линейной моделью. Предпочтительны те методы оценки объемы, которые позволяют строить адекватные модели по выборкам возможно меньшего объема. Данная работа анализирует численные свойства методов, используемых для оценки выборки на практике и предлагает пути их улучшения. В анализ включены как методы, оценивающие объем выборки исходя из гипотезы порождения данных, использующие эвристические предположения, так и методы, учитывающие структуру модели, которая будет построена. Вычислительный эксперимент включает часто используемые открытые выборки, а также синтетически сгенерированные выборки.

Весна 2019, 8й семестр

Ранее прогнозирования достаточного объема выборки
Исследуется проблема снижения затрат на сбор данных, необходимых для построения адекватной модели. Рассматриваются задачи линейной и логистической моделей. Для решения этих задач требуется, чтобы выборка содержала необходимое число объектов. Требуется предложить метод вычисления оптимального обьема данных, соблюдая при этом баланс между точностью модели и и трудозатратами при сборе данных. Предпочтительны те методы оценки объемы, которые позволяют строить адекватные модели по выборкам возможно меньшего объема.

Выступления на конференциях и семинарах

• 12 октября 2018. ИОИ-2018. Автоматическое определение релевантности параметров нейросети.
• 29 ноября 2019. 61-я Всероссийская научная конференция МФТИ. Поиск оптимальной модели при помощи алгоритмов прореживания.

Публикации

• Грабовой А.В., Бахтеев О.Ю., Стрижов В.В. Определение релевантности параметров нейросети // Информатика и ее применения, 2019, 13(3).