Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Вы не можете выполнять запрошенное действие.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

{{TOCright}} {| style="border:0px;" |- |[[Изображение:VorontsovFace.jpg]]&nbsp;&nbsp;&nbsp; |'''Воронцов Константин Вячеславович''' профессор РАН, д.ф.-м.н. <br/> Зав. отделом «Интеллектуальные системы» [[Вычислительный центр РАН|Вычислительного центра ФИЦ ИУ РАН]]. <br/> Проф. каф. «[[Интеллектуальные системы (кафедра МФТИ)|Интеллектуальные системы]]» [[ФУПМ]] [[МФТИ]]. <br/> Доц. каф. «[[Математические методы прогнозирования (кафедра ВМиК МГУ)|Математические методы прогнозирования]]» [[ВМиК МГУ]]. <br/> Преподаватель [[ШАД|Школы анализа данных Яндекс]]. <br/> Зам. директора по науке [[Компания Forecsys|ЗАО «Форексис»]], [http://www.forecsys.ru www.forecsys.ru]. Один из идеологов и [[ML:АДМ|Администраторов]] ресурса '''MachineLearning.RU'''. Прочие подробности — на подстранице '''[[Участник:Vokov/CV|Curriculum vitæ]]'''. '''[[Служебная:EmailUser/Vokov|Мне можно написать письмо]]'''. |} * [https://www.scopus.com/authid/detail.uri?authorId=6507982932 Профиль SCOPUS ID=6507982932] * [http://scholar.google.com/citations?user=KIW4fnsAAAAJ Профиль Google Scholar] * [http://www.informatik.uni-trier.de/~ley/pers/hd/v/Vorontsov:Konstantin Профиль DBLP] * [http://elibrary.ru/author_items.asp?authorid=15081 Профиль РИНЦ ID=15081] * [http://istina.msu.ru/profile/vokov Профиль в системе ИСТИНА] * [http://www.mathnet.ru/php/person.phtml?personid=42083&option_lang=rus Профиль MathNet.ru] <!-- <div style="padding-top=1em;"> </div> {{Врезка|Выравнивание=right |Ширина=50% |Заголовок=Мои подстраницы |Содержание={{Служебная:Prefixindex/Участник:Vokov/}} }} --> == Учебные материалы == === Курсы лекций === * [[Машинное обучение (курс лекций, К.В.Воронцов)|Математические методы обучения по прецедентам (машинное обучение)]] — годовой курс, [[Интеллектуальные системы (кафедра МФТИ)|кафедра «Интеллектуальные системы»]] [[ФУПМ]] [[МФТИ]] и [[Математические методы прогнозирования (кафедра ВМиК МГУ)|кафедра ММП]] [[ВМиК МГУ]]. * [[Вероятностные тематические модели (курс лекций, К.В.Воронцов)|Вероятностные тематические модели]] — семестровый спецкурс, [[Математические методы прогнозирования (кафедра ВМиК МГУ)|кафедра ММП]] [[ВМиК МГУ]]. * [[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Теория надёжности обучения по прецедентам]] — спецкурс, [[Математические методы прогнозирования (кафедра ВМиК МГУ)|кафедра ММП]] [[ВМиК МГУ]]. * [[Статистический анализ данных (курс лекций, К.В.Воронцов)|Прикладной статистический анализ данных]] — семестровый курс, [[Математические методы прогнозирования (кафедра ВМиК МГУ)|кафедра ММП]] [[ВМиК МГУ]]; альтернативный семестровый курс, [[ФУПМ]] [[МФТИ]]. === Рекомендации для студентов и аспирантов === Каждый студент, с которым мы начинаем совместную научную работу, должен внимательно прочитать и осмыслить: * [[Научно-исследовательская работа (рекомендации)]] * [[Написание отчётов и статей (рекомендации)]] * [[Подготовка презентаций (рекомендации)]] * [[Защита выпускной квалификационной работы (рекомендации)]] Другие методические материалы: * [[Обзорные статьи на английском языке]] — рекомендуется студентам младших курсов в качестве текстов по специальности * [[Требования к кандидатской диссертации]] === Материалы для преподавателей === * [[MachineLearning:Учебный процесс]] * [[Преподавание машинного обучения]] * [[Коллекция учебных задач]] === Семинары === <!---* [[Проблемы обобщающей способности алгоритмов классификации, регрессии и прогнозирования (спецсеминар К. В. Воронцова, ВМК МГУ)]]---> * [[Задачи анализа данных в бизнес-аналитике (семинар К. В. Воронцова)]] * [[Семинар К. В. Рудакова]] — регулярный '''не виртуальный''' семинар (следите за объявлениями!) == Выступления на конференциях и семинарах == * 10 сентября 2016. Тематическое моделирование на пути к разведочному информационному поиску. [http://datafest.ru Data Fest #3]. '''[[Media:voron-2016-datafest.pdf|(PDF,&nbsp;4.5&nbsp;МБ)]]'''. * 1–24 июля 2016. Проект «Медицинская диагностика по ЭКГ» и лекции по машинному обучению. [[Извлекаем пользу из Big Data (Проектная смена, СочиСириус, 2016)]]. * 19 мая 2016. История машинного обучения. Лекция в МФТИ. '''[[Media:voron2016ml-history.pdf|(PDF,&nbsp;4.2&nbsp;МБ)]]'''. * 1 февраля 2016. Regularization of Topiс Models for Question Answering. [http://qa.deephack.me А 24/7 hackathon on Question Answering systems (solving The Allen AI Science Challenge)]. '''[[Media:voron-2016-qa.pdf|(PDF,&nbsp;2.2&nbsp;МБ)]]'''. '''[http://www.youtube.com/watch?v=lM2-Mi-2egM Video]'''. * 9 декабря 2015. Модели и методы интеллектуального анализа данных. [http://ccas.ru Международная научная конференция по информатике и прикладной математике, посвященная 60-летию Вычислительного центра им. А. А. Дородницына РАН]. '''[[Media:voron2015ccas.pdf|(PDF,&nbsp;1.2&nbsp;МБ)]]'''. * 14 ноября 2015. Topic modeling as a key technology for exploratory search and social media mining. [http://ainlfruct.com Artificial Intelligence and Natural Language & Information Extraction, Social Media and Web Search FRUCT Conference]. '''[[Media:voron-2015-ainl.pdf|(PDF,&nbsp;6.0&nbsp;МБ)]]'''. * 14 октября 2015. BigARTM: Open Source Library for Topic Modeling of Large Text Collections. [http://www.damdid2015.iate.obninsk.ru Аналитика и управление данными в областях с интенсивным использованием данных DAMDID/RCDL]. '''[[Media:voron-2015-damdid.pdf|(PDF,&nbsp;5.6&nbsp;МБ)]]'''. * 7 октября 2015. Additive Regularization of Topic Models: Towards Exploratory Search and Other Multi-Criteria Applications. [https://yandexdataschool.com/conference 2nd Yandex School of Data Analysis Conference. Machine Learning: Prospects and Applications]. '''[[Media:voron-2015-yandex-mlpa.pdf|(PDF,&nbsp;6.4&nbsp;МБ)]]'''. * 20 сентября 2015. Регуляризация тематических моделей в библиотеке с открытым кодом BigARTM: технологическая основа разведочного информационного поиска. [http://mmro.ru Математические методы распознавания образов, ММРО-17]]. '''[[Media:mmpr17-vorontsov.pdf|(PDF,&nbsp;6.2&nbsp;МБ)]]'''. * 12 сентября 2015. BigARTM: тематическое моделирование больших текстовых коллекций. [http://www.meetup.com/Moscow-Data-Fest/events/224856462/ Data Fest #1]. '''[[Media:voron-2015-datafest.pdf|(PDF,&nbsp;6.5&nbsp;МБ)]]'''. * 25 августа 2015. Regularized Matrix Factorization for Topic Modeling of Text Collections. [http://matrix.inm.ras.ru/mmma-2015/ 4th International Conference on Matrix Methods in Mathematics and Applications MMMA-2015, August 24-28, Moscow]. '''[[Media:voron-2015-mmma.pdf|(PDF,&nbsp;6.4&nbsp;МБ)]]'''. * 18–21 августа 2015. Теория и практика обучения машин. [http://combalg.ru/schools/summer15 Летняя Школа «Комбинаторика и алгоритмы для школьников»]. Лекция 1. Задачи и алгоритмы классификации ([[Media:Voron-2015-08-18-lksh.pdf|Презентация, 4.4Мб]], [[Media:Voron-2015-08-18-lksh-data.rar|Данные конкурсного задания, 100Kб]]). Лекция 2. Метрические алгоритмы классификации ([[Media:Voron-2015-08-19-lksh.pdf|Презентация, 3.1Мб]]). Лекция 3. Линейные классификаторы и бустинг ([[Media:Voron-2015-08-21-lksh.pdf|Презентация, 0.4Мб]]). * 19 июня 2015. Аддитивно регуляризованные тематические модели и разведочный поиск знаний в сети. [https://sites.google.com/site/traditionalschool/ Традиционная Школа «Управление, информация и оптимизация»]. [[Media:Voron-2015-06-19-school-VII.pdf|Презентация, 6.3Мб]]. '''[http://www.youtube.com/watch?v=vSzsuq7uHPE Видеозапись]'''. * 17 июня 2015. Обучение наивного Байеса. [https://sites.google.com/site/traditionalschool/ Традиционная Школа «Управление, информация и оптимизация»]. [[Media:Voron-2015-06-17-school-VII.pdf|Презентация, 2.1Мб]]. [[Media:School-VII-2015-contest-Vorontsov.rar|Данные для конкурсного задания]]. '''[http://www.youtube.com/watch?v=Z_ri1U9Vwi0 Видеозапись]'''. * 29, 30 июня 2015. Automatic filtering of Russian scientific content using Machine Learning and Topic Modeling. [http://www.dialog-21.ru International Conference on Computational Linguistics Dialogue 2015, May 27-30, Moscow]. '''[[Media:voron-2015-dialog.pdf|(PDF,&nbsp;6.2&nbsp;МБ)]]'''. * 14 мая 2015. Multicriteria Regularization for Probabilistic Topic Modeling of Large Text Collections. Доклад на [https://sites.google.com/site/polconf Optimization and Applications in Control and Data Science (on the occasion of Boris Polyak's 80th birthday)]. '''[[Media:Voron-2015-Polyak80.pdf|(PDF,&nbsp;2.4&nbsp;МБ)]]'''. '''[http://www.mathnet.ru/php/presentation.phtml?option_lang=eng&presentid=11906 Video]'''. * 9 апреля 2015. BigARTM: Open Source Library for Regularized Multimodal Topic Modeling of Large Collections. Доклад на [http://aistconf.org/2015 AIST-2015]. '''[[Media:Voron-2015-AIST.pdf|(PDF,&nbsp;2.3&nbsp;МБ)]]'''. * 14 марта 2015. Применение машинного обучения и вычислительной лингвистики для диагностики заболеваний по электрокардиограмме. Лекция для школьников, [https://academy.yandex.ru/events/m Малый ШАД]. '''[[Media:Voron-2015-03-14-ecg.pdf|(PDF, 2.3Мб)]]'''. * 15 декабря 2014. Machine Learning for Big Data: Texts, Signals, Images and Video. Российско-американский исследовательский симпозиум. При поддержке MIT и в сотрудничестве со Сколковским институтом науки и технологий, «Цифровой Октябрь», Москва, Россия. '''[[Media:Voron-2014-12-15-sk.pdf|(PDF, 2.4Мб)]]'''. * 20 октября 2014. Статистическая проверка технологии информационного анализа электрокардиосигналов для диагностики заболеваний внутренних органов. Доклад на конференции [http://icmbb.impb.ru/ru Математическая биология и биоинформатика], Пущино. '''[[Media:Voron-2014-10-20-ecg.pdf|(PDF, 2.4Мб)]]'''. * 6 октября 2014. Многокритериальные и многомодальные вероятностные тематические модели коллекций текстовых документов. Доклад на конференции [[Интеллектуализация обработки информации (конференция)/2014|ИОИ-2014]], Крит. [[Media:Vorontsov2014iip.pdf|(PDF, 2Мб)]]. * 12 сентября 2014. Задача диагностики многих заболеваний по одной электрокардиограмме. Семинар по машинному обучению ВМК МГУ. '''[[Media:Voron-2014-09-12-mmp-ecg.pdf|(PDF, 1.6Мб)]]'''. * 11 сентября 2014. Information function of the heart: Discrete and fuzzy encoding of the ECG-signal for multidisease diagnostic system. [http://vniim.ru/amctm2014.htm International Conference Advanced Mathematical and Computational Tools in Metrology and Testing (AMCTM 2014)]. '''[[Media:Voron-2014-09-11-amctm-eng.pdf|(PDF, 1.4Мб)]]'''. * 11 сентября 2014. Вероятностное тематическое моделирование. Семинар в лаборатории ЛИНИС НИУ ВШЭ, Санкт-Петербург. '''[[Media:Voron-2014-09-11-tm.pdf|(PDF,&nbsp;1.5&nbsp;МБ)]]'''. * 21–24 августа 2014. Теория и практика обучения машин. [http://combalg.ru/schools/summer14 Летняя Школа «Комбинаторика и алгоритмы для школьников»]. Лекция 1. Задача диагностики заболеваний по электрокардиограмме ([[Media:Voron-2014-08-21-lksh.pdf|Презентация, 1.6Мб]]). [[Media:School-VI-2014-task-3.rar|Данные для конкурсного задания]]. Лекция 2. Методы классификации и регрессии ([[Media:Voron-2014-08-22-lksh.pdf|Презентация, 3Мб]]). Лекция 3. Комбинаторная теория переобучения ([[Media:Voron-2014-08-24-lksh.pdf|Презентация, 2Мб]]) * 27 июня 2014. Матричные разложения и вероятностное тематическое моделирование текстовых коллекций. [https://sites.google.com/site/traditionalschool/ Традиционная Школа «Управление, информация и оптимизация»]. [[Media:Voron-2014-06-27-school-VI.pdf|Презентация, 3.4Мб]]. * 26 июня 2014. Методы статистического обучения и задача диагностики заболеваний по электрокардиограмме. [https://sites.google.com/site/traditionalschool/ Традиционная Школа «Управление, информация и оптимизация»]. [[Media:Voron-2014-06-26-school-VI.pdf|Презентация, 1.8Мб]]. [[Media:School-VI-2014-task-3.rar|Данные для конкурсного задания]]. * 5 июня 2014. Multi-criteria regularization for Probabilistic Latent Semantic Analysis. [http://www.dialog-21.ru International Conference on Computational Linguistics Dialogue 2014, June 4-8, Bekasovo]. '''[[Media:voron-5june2014.pdf|(PDF,&nbsp;4.2&nbsp;МБ)]]'''. * 15 мая 2014. Additive Regularization for Probabilistic Topic Modeling. [http://premolab.ru/event/advances-optimization-and-statistics Advances in Optimization and Statistics]. '''[[Media:voron-15may2014.pdf|(PDF,&nbsp;1.9&nbsp;МБ)]]'''. * 19 апреля 2014. Многокритериальная регуляризация вероятностных тематических моделей коллекций текстовых документов. Семинар в НМУ. '''[[Media:voron-19apr2014.pdf|(PDF,&nbsp;1.9&nbsp;МБ)]]'''. '''[http://www.mathnet.ru/php/presentation.phtml?option_lang=rus&presentid=8980 Видеозапись]'''. * 12 апреля 2014. Аддитивная регуляризация матричных разложений для вероятностного тематического моделирования. Конференция АИСТ-2014. '''[[Media:voron-12apr2014.pdf|(PDF,&nbsp;3.6&nbsp;МБ)]]'''. * 21 марта 2014. Вероятностные тематические модели без интегралов и распределений Дирихле. '''[[Media:voron-21mar2014.pdf|(PDF,&nbsp;3.8&nbsp;МБ)]]'''. * 25 февраля 2014. О некоторых задачах и методах интеллектуального анализа данных. В цикле лекций «Современных проблем прикладной математики» для студентов 2 курса ФУПМ МФТИ. '''[[Media:voron-02feb2014-mipt.pdf|(PDF,&nbsp;3.1&nbsp;МБ)]]'''. * 31 октября 2013. Аддитивная регуляризация вероятностных тематических моделей. Доклад на семинаре [[Спецсеминар "Байесовские методы машинного обучения"|БММО-2013]], ВМК МГУ. '''[[Media:voron13bmmo-talk.pdf|(PDF,&nbsp;1.6&nbsp;МБ)]]'''. * 7 октября 2013. Аддитивная регуляризация вероятностных тематических моделей. Доклад на конференции [[ММРО|ММРО-16]], Казань. '''[[Media:voron13mmro-talk.pdf|(PDF,&nbsp;1.1&nbsp;МБ)]]'''. * 2 октября 2013. Combinatorial theory of overfitting. How Connectivity and Splitting Reduces the Local Complexity [http://aiai2013.cut.ac.cy/measures-of-complexity-symposium Measures of Complexity Symposium] '''[[Медиа:Voron13aiai-talk.pdf|(PDF,&nbsp;1.7&nbsp;MБ)]]'''. * 27 сентября 2013. Combinatorial theory of overfitting. [http://shad.yandex.ru/conference The Yandex School of Data Analysis conference] '''[[Медиа:Voron13ysda-talk.pdf|(PDF,&nbsp;1.7&nbsp;MБ)]]''', '''[http://shad.yandex.ru/conference/vorontsov.xml Аннотация и видеозапись]'''. * 28 июня 2013. Combinatorial theory of overfitting. International Workshop on Statistical Learning [http://www.stat.iitp.ru IWSL] '''[[Медиа:Voron13iwsl-talk.pdf|(PDF,&nbsp;1.5&nbsp;MБ)]]'''. * 23 апреля 2013. Вероятностные тематические модели коллекций текстовых документов. Доклад на семинаре в [http://www2.viniti.ru ВИНИТИ РАН]. '''[[Media:voron-viniti-23apr2013.pdf|(PDF,&nbsp;2.0&nbsp;МБ)]]'''. * 13 апреля 2013. Комбинаторная теория переобучения. Семинар в НМУ. '''[[Media:Vorontsov-13apr2013.pdf|(PDF,&nbsp;3.5&nbsp;МБ)]]'''. '''Дополнение:''' ''Евгений Соколов''. Линейные классификаторы и случайные блуждания. '''[[Media:Sokolov-13apr2013.pdf|(PDF,&nbsp;380&nbsp;KБ)]]''' * 26 февраля 2013. Вероятностные тематические модели коллекций текстовых документов. Просеминар кафедры [[ММП]], Москва, МГУ. '''[[Media:Vorontsov-26feb2013.pdf|(PDF,&nbsp;0.8&nbsp;МБ)]]'''. * 26 сентября, 3 октября 2012. Четыре лекции по машинному обучению. Высшая Школа Экономики. '''[[Media:slides-4lectures-HSE.pdf|(PDF,&nbsp;2.9&nbsp;МБ)]]'''. * 17 сентября 2012. Регуляризация, робастность и разреженность вероятностных тематических моделей. Доклад на конференции [[ИОИ]]-9. '''[[Media:voron-iip9-talk.pdf|(PDF,&nbsp;0.9&nbsp;МБ)]]'''. * 24 мая 2012. Комбинаторная теория переобучения и её применения. Семинар лаборатории PreMoLab, Москва, ИППИ РАН. '''[[Media:Vorontsov-24may2012.pdf|(PDF,&nbsp;3.0&nbsp;МБ)]]'''. * 27 февраля 2012. Комбинаторная теория переобучения и её применения. Просеминар кафедры [[ММП]], Москва, МГУ. '''[[Media:Vorontsov-27feb2012.pdf|(PDF,&nbsp;2.5&nbsp;МБ)]]'''. * 19 октября 2011. Задачи анализа данных ДНК-микрочипов. Доклад на семинаре «Время, хаос и математические проблемы» (руководитель академик В.А.Садовничий), Москва, МГУ. '''[[Media:Tonevitskiy-Vorontsov-19oct2011.pdf|(PDF,&nbsp;3&nbsp;МБ)]]'''. * 12 сентября 2011. Комбинаторная теория переобучения и поиск логических закономерностей. Доклад на конференции [[ММРО|ММРО-15]], Петрозаводск. '''[[Media:voron11mmro-talk.pdf|(PDF,&nbsp;1.4&nbsp;МБ)]]'''. * 27,29 июня 2011. Recent Advances on Generalization Bounds. '''Tutorial.''' International conference [http://premi11.hse.ru PReMI-2011] '''[[Медиа:Voron11premi-talk-1.pdf|Part&nbsp;1 (PDF,&nbsp;1.0&nbsp;MБ)]]''', '''[[Медиа:Voron11premi-talk-2.pdf|Part&nbsp;2 (PDF,&nbsp;1.5&nbsp;MБ)]]'''. Tight Combinatorial Generalization Bounds for Threshold Conjunction Rules '''[[Медиа:Voron11premi-talk-3.pdf|(PDF,&nbsp;0.6&nbsp;MБ, на&nbsp;английском)]]'''. * 12 января 2011. Интеллектуальный анализ данных и объектно-ориентированное программирование. Лекция на [http://fivt.fizteh.ru/zksh/2011 Зимней компьютерной школе 2011], МФТИ. '''[[Media:voron11mipt-talk.pdf|(PDF,&nbsp;1.0&nbsp;МБ)]]'''. * 7 ноября 2010. Generalization bounds based on the splitting and connectivity properties of a set of classifiers. International conference [[Распознавание образов и анализ изображений: новые информационные технологии (конференция)|PRIA-10]] '''[[Медиа:Voron10pria-talk.pdf|(PDF,&nbsp;1.4&nbsp;MБ, на&nbsp;английском)]]'''. * 20 октября 2010. Точные комбинаторные оценки обобщающей способности онлайнового обучения. Конференция [[Интеллектуализация обработки информации (конференция)|ИОИ-8]] '''[[Медиа:VoronReshetnyak10iip8.pdf|(PDF,&nbsp;400&nbsp;KБ)]]'''. * 18 октября 2010. Комбинаторный подход к выводу точных оценок вероятности переобучения. Конференция [[Интеллектуализация обработки информации (конференция)|ИОИ-8]] '''[[Медиа:Voron10iip8.pdf|(PDF,&nbsp;1.2&nbsp;MБ)]]'''. * 22 апреля 2010. Комбинаторная теория надёжности обучения по прецедентам. Защита докторской диссертации. '''[[Медиа:Voron10doct-slides.pdf|(PDF,&nbsp;1760&nbsp;КБ)]]'''. Учёный совет квалифицировал работу как ''новое направление'' в теории статистического обучения. * 3 марта 2010. Интеллектуальный анализ данных и распознавание образов. Теоретические и практические проблемы. Доклад на семинаре «Глобальные изменения климата» (руководители академик Г.И.Марчук, академик В.П.Дымников), Москва, ИВМ. '''[[Media:Voron2010-03-03-AboutML.pdf|(PDF,&nbsp;828&nbsp;КБ)]]'''. * 13 января 2010. Задачи и методы машинного обучения. Лекция на [http://fivt.fizteh.ru/abiturients/f_4buc66 Зимней компьютерной школе 2010], МФТИ. '''[[Media:voron10mipt-talk.pdf|(PDF,&nbsp;1023&nbsp;КБ)]]'''. * 22 сентября 2009. Комбинаторный подход к проблеме переобучения. Доклад на конференции [[ММРО|ММРО-14]], Суздаль. '''[[Media:voron09mmro-talk.pdf|(PDF,&nbsp;1106&nbsp;КБ)]]'''. * 27 июля 2009. Методы машинного обучения, основанные на индукции правил (логические методы классификации). Доклад на семинаре [http://www.iis.nsk.su/news/conferences/20090303_elsewhere/index_e.shtml Знания и онтологии ELSEWHERE], Москва, [[Высшая школа экономики|ВШЭ]]. '''[[Media:slides-Logic(elsewhere-2009).pdf|(PDF,&nbsp;1202&nbsp;КБ)]]'''. * 10 ноября 2008. Методы коллаборативной фильтрации и их применение. Выступление на семинаре Б.Г.Миркина, [[Высшая школа экономики|ВШЭ]]. '''[[Media:Voron-2008-11-10-cf.pdf|(PDF,&nbsp;1.1&nbsp;МБ)]]'''. * 17 сентября 2008. Пути повышения точности оценок обобщающей способности (комбинаторный подход). Пленарный доклад на международной конференции [[РОАИ|РОАИ-9-2008]], Нижний Новгород. Презентация на&nbsp;английском '''[[Media:VoronBeam-PRIA-2008(eng).pdf|(PDF,&nbsp;846&nbsp;КБ)]]''', на русском '''[[Media:VoronBeam-PRIA-2008(rus).pdf|(PDF,&nbsp;844&nbsp;КБ)]]''', тезисы доклада на&nbsp;русском '''[[Media:Vorontsov-ROAI-2008-rus.pdf|(PDF,&nbsp;243&nbsp;КБ)]]'''. * 17 сентября 2008. Презентация ресурса www.MachineLearning.ru в рамках международной конференции [[РОАИ|РОАИ-9-2008]], Нижний Новгород. '''[[Media:VoronBeam-PRIA-2008-ML.pdf|(PDF,&nbsp;285&nbsp;КБ, на&nbsp;английском)]]'''. * 13 июня 2008. [[Участник:Vokov/Вики-ресурс MachineLearning.RU: концепция и перспективы|Вики-ресурс MachineLearning.RU: концепция и перспективы]], круглый стол в рамках конференции [[ИОИ|ИОИ-2008]], Крым, Алушта. '''[[Media:VoronBeam-IOI-2008-ML.pdf|(PDF,&nbsp;198&nbsp;КБ)]]'''. * 12 июня 2008. Слабая вероятностная аксиоматика, оценки надёжности эмпирических предсказаний, расслоение и различность алгоритмов. Конференция [[ИОИ|ИОИ-2008]], Крым, Алушта. '''[[Media:VoronBeam-IOI-2008.pdf|(PDF,&nbsp;950&nbsp;КБ)]]''' * 28 апреля 2008. [[Участник:Vokov/Некоторые задачи интеллектуального анализа данных (лекция)|О некоторых задачах интеллектуального анализа данных]] — одна лекция в рамках курса «Современные проблемы прикладной математики» для студентов 5 курса [[ВМиК МГУ]]. '''[[Media:VokovLectureMMP-2008.pdf|(PDF,&nbsp;764Кб)]]'''. * 28 апреля 2008. Ломоносовские чтения 2008. Оценки надёжности эмпирических предсказаний (комбинаторный подход). '''[[Media:VoronBeam2008-04-18.pdf|(PDF,&nbsp;804&nbsp;КБ)]]'''. * 20 august 2007. 7th Open German/Russian Workshop (OGRW-7) on Pattern Recognition and Image Understanding, Ettlingen, Germany. Combinatorial Approach to Generalization Bounds Tightening. '''[[Media:VoronBeam2007-08-20.pdf|(PDF,&nbsp;1.9&nbsp;МБ, на&nbsp;английском)]]'''. * 5 ноября 2005. [[ММРО]]-12. Измерение локальной эффективной функции роста в задачах поиска логических закономерностей. '''[[Media:Voron-MMPO12-present.pdf|(PDF,&nbsp;285&nbsp;КБ)]]''', вместе с речью — '''[[Media:Voron-MMPO12-speach.pdf|(PDF,&nbsp;308&nbsp;КБ)]]'''. == Научные интересы== Всё, что скрывается за терминами «[[науки о данных]]» (data science), «[[интеллектуальный анализ данных]]» (data mining) и «[[машинное обучение]]» (machine learning): [[распознавание образов]], [[прогнозирование]], [[математическая статистика]], дискретная математика, [[Методы оптимизации|численные методы оптимизации]], [[аналитика больших данных]], а также практический анализ данных в разнообразных областях ([[Приложения в медицине|медицина]], [[Приложения в технике|техника]], [[Биоинформатика|биоинформатика]], [[Приложения в экономике|экономика]], [[лингвистика]], [[Анализ веба|интернет]]). === Анализ текстов и информационный поиск === {{main|Тематическое моделирование}} {{main|BigARTM}} :''Видеолекция на ПостНауке:'' [http://postnauka.ru/video/61910 Разведочный информационный поиск]. Современные средства текстового поиска предназначены для ответов на короткие текстовые запросы. Этого не достаточно при поиске научной и профессиональной информации, в особенности новой или содержащей неизвестную пользователю терминологию. Поиск и мониторинг новых тенденций, терминологии, профессиональных сообществ всё ещё требует больших затрат времени и высокой квалификации. Существует барьер входа в новую профессиональную область. Ответ на вопрос «где находится передний край науки по данной теме» по-прежнему достигается, главным образом, путём личного общения, следовательно, субъективен и не общедоступен. Каким должен быть идеальный информационный поиск для учёного, преподавателя, специалиста? По всей видимости, единого ответа нет. Он должен быть разным. Одна из идей состоит в том, чтобы принимать в качестве запроса длинный текст — статью, фрагмент статьи или несколько статей, систематизировать результаты поиска в виде «дорожной карты», с помощью которой пользователю будет легче изучать данную область, выделять наиболее важные факты, готовить обзоры, в кратчайший срок накапливать собственную экспертизу в новой области знания. Миссия тематического поиска — ''Приблизить Знание к Пользователю''. Знание раскидано по Интернету. Необходимо его выделить, систематизировать по темам и представить в виде, более удобном и разнообразном, чем ранжированный список в рекламном обрамлении. Современные поисковые системы не решают эту задачу, так как они нацелены не на концентрацию Знания, а на удовлетворение потребительских интересов среднего пользователя. Система поиска научной и профессиональной информации — это инструмент интеллектуальной элиты общества, доступный всем. Наша исследовательская группа разрабатывает математические и информационные технологии для создания такой поисковой системы. Они основаны на вероятностном тематическом моделировании (Probabilistic Topic Modeling) и гибридных подходах, объединяющих статистические и лингвистические методы анализа текстов. Вероятностное тематическое моделирование развивается с конца 90-х годов и находит всё больше неожиданных применений в областях, далёких от анализа текстов на естественных языках: при обработке изображений, видео, музыки, биомедицинских сигналов, нуклеотидных и аминокислотных последовательностей. Наши методы применимы и к этим задачам. '''Основные направления исследований и разработок''' * теория и методы [[ARTM|аддитивной регуляризации тематических моделей]] (ARTM); * разработка [[BigARTM]] — библиотеки с открытым кодом для тематического моделирования больших коллекций; * автоматическое выделения словосочетаний-терминов в текстах; * тематические модели последовательного текста, тематической структуры и сегментации текстов; * мультимодальные тематические модели, классификация и регрессия с текстовыми и разреженными признаками; * иерархические тематические модели и категоризация текстов; * [[Media:Aysina-2015-visptm.pdf|методы визуализации тематических моделей]]; * методы автоматического именования тем; * проблемы сходимости и устойчивости численных методов матричных и тензорных разложений; * проблемы интерпретируемости тем; * мультиязычные тематические модели; * динамические тематические модели; * тематические модели, учитывающие авторство и ссылки; '''Прикладные задачи''' * выделение текстов заданной профессиональной области из больших коллекций (из Интернета); * иерархическая тематическая модель научной конференции или журнала; * динамическая тематическая модель коллекции пресс-релизов; * классификация текстов по жанрам; * диагностика заболеваний по текстовым представлениям электрокардиосигналов; * тематическое моделирование процесса изучения иностранных слов пользователями мобильного приложения; '''Ключевые слова''' * text analysis, information retrieval, keyphrase extraction, topic modeling, probabilistic latent semantic analysis (PLSA), latent Dirichlet allocation (LDA), Gibbs sampling, documents categorization, learning to rank, research trends, research front. '''Материалы и задания''' * Рекламная презентация про тематическое моделирование. [[Media:Voron-PTM-short.pdf|Voron-PTM-short.pdf]] {{важно|— обновление 14.03.2016}}. * Тематическое моделирование в BigARTM: теория, алгоритмы, приложения. [[Media:Voron-2015-BigARTM.pdf|Voron-2015-BigARTM.pdf]]. * [[Media:voron-2016-task-PTM.pdf|Практическое задание]]. * [[Коллекции документов для тематического моделирования]]. === Диагностика заболеваний по ЭКГ === {{main|Технология информационного анализа электрокардиосигналов}} Все знают, что по электрокардиограмме можно ставить диагнозы сердечно-сосудистых заболеваний. Профессором д.м.н. В.М.Успенским предложен новый метод диагностики, позволяющий диагностировать широкий спектр заболеваний внутренних органов по ЭКГ. Многие болезни сказываются на работе сердца задолго до проявления клинических симптомов, что позволяет использовать ЭКГ для ранней диагностики. За 15 лет применения этой технологии накоплена обучающая выборка по двадцати тысячам больных и нескольким десяткам заболеваний. Вычислительные эксперименты подтверждают, что диагностика широкого спектра заболеваний по одной ЭКГ с использованием методов машинного обучения может достигать удивительной точности. Наша научная группа занимается всесторонней статистической экспертизой этого метода диагностики и разработкой новых принципов анализа дискретизированных биомедицинских сигналов. В частности, важным направлением является применение тематического моделирования и методов компьютерной лингвистики. Фактически, речь идёт о поиске оптимальной реконструкции (восстановлении синтаксиса и семантики) языка, порождаемого протекающими в организме человека сложнейшими физиологическими процессами, и при этом несущего значимую диагностическую информацию о состоянии здоровья человека. '''Основные направления исследований и разработок''': * поиск более эффективных методов дискретизации ЭКГ-сигналов; * построение диагностических эталонов заболеваний методами тематического моделирования; * разработка диагностических моделей для отдельных заболеваний; * разработка специальных методов отбора признаков, глубокого обучения, многоклассовой классификации; * исследование переобучения диагностических моделей. '''Конкурсное задание на VI Традиционной молодёжной летней школе «Управление, информация и~оптимизациия» 26 июня 2014г.''' * [[Media:Voron-2014-06-26-school-VI.pdf|Презентация на ТМШ, 26 июня 2014, 1.8Мб]]. * [[Media:School-VI-2014-task-3.rar|Данные для задания на ТМШ 2014]]. В архиве файлы по 1 болезни, обучающая выборка с классификациями, тестовая выборка без классификаций, read.me с условием задания. '''Другие материалы и задания''' * Информационный портал диагностической системы «Скринфакс». URL: http://skrinfax.ru * [[Media:Voron-2014-task-ekg-about.pdf|Презентация, 0.7Мб]]. * [[Media:Voron-2014-task-ekg.pdf|Практическое задание]]. * [[Media:Voron-2014-task-ekg-data.rar|Данные, 1.2Мб]]. В архиве файлы по 5 болезням, для каждой болезни имеется два файла: файлы с буквой «Э» в имени — эталонные выборки с надёжно верифицированными диагнозами, которые предполагается использовать для обучения; файлы без буквы «Э» — контрольные выборки. Можно использовать только эталонные, можно пробовать их перемешивать. В каждом файле первый столбец содержит метки классов (0-здоров, 1-болен), следующие 216 столбцов - значения признаков. === Теория обобщающей способности === {{main|Комбинаторная теория переобучения (виртуальный семинар)}} Проблема [[обобщающая способность|обобщающей способности]] является ключевой и в то же время наиболее сложной в машинном обучении. Её даже выделяют в отдельную дисциплину — [[Теория вычислительного обучения|теорию вычислительного обучения]]. Если алгоритм, восстанавливающий некоторую неизвестную зависимость, построен по конечной [[обучающая выборка|обучающей выборке]] [[прецедент]]ов, то как предсказать качество его работы на контрольной выборке, состоящей из новых прецедентов? Почему это вообще возможно? Как надо обучать алгоритм, чтобы он редко ошибался на новых данных? Активное исследование этих вопросов началось в конце 60-х, когда В.Н.Вапник и А.Я.Червоненкис предложили [[теория Вапника-Червоненкиса|статистическую теорию восстановления зависимостей по эмпирическим данным]] (VC&nbsp;theory) и получили верхние оценки вероятности ошибки обученного алгоритма (VC-bounds). Эти оценки позволили обосновать давно замеченный эмпирический факт: по мере увеличения сложности используемого семейства алгоритмов качество обучения сначала улучшается, затем начинает ухудшаться. Ухудшение связано с эффектом [[переобучение|переобучения]]. Если алгоритм имеет избыточное число параметров («степеней свободы»), то он может слишком точно настроиться на конкретную обучающую выборку в ущерб качеству восстановления зависимости в целом. В&nbsp;[[теория Вапника-Червоненкиса|теории Вапника-Червоненкиса]] разработан метод [[структурная минимизация риска|структурной минимизации риска]] (СМР), позволяющий автоматически находить модель оптимальной сложности. К&nbsp;сожалению, оценки вероятности ошибки чрезвычайно завышены (осторожны, пессимистичны), что может приводить к&nbsp;переупрощению модели в&nbsp;методе СМР. Несмотря на 40-летние усилия многих ученых и существенное усложнение математического аппарата, точные оценки до сих пор не были получены. [[Комбинаторная теория переобучения]] — это принципиально новый подход, основанный на [[Слабая вероятностная аксиоматика|слабой вероятностной аксиоматике]], впервые позволивший получить точные (не завышенные, не асимптотические) комбинаторные оценки [[Вероятность переобучения|вероятности переобучения]] и&nbsp;показать ключевую роль [[Расслоение и сходство алгоритмов (виртуальный семинар)|эффектов расслоения и сходства]] в семействах алгоритмов. Пока что точные оценки получены лишь для ряда модельных семейств алгоритмов, обладающих некоторой регулярной структурой. Для реальных смейств удалось получить верхние оценки расслоения-связности — SC-оценки (splitting and connectivity bounds). Они завышены в разы, тогда как VC-оценки завышены на 5–8 порядков. Для некоторых модельных семейств SC-оценки являются точными. Тем не менее, проблемы остаются, и дело не только в завышенности оценок. Во-первых, SC-оценки могут быть ненаблюдаемыми, то есть в них могут входить некоторые функции от скрытых контрольных данных. Эти функции вполне можно оценивать по наблюдаемым обучающим данным, но это дополнительная работа. Во-вторых, SC-оценки могут быть вычислительно неэффективными и требовать неадекватно больших затрат памяти и времени. Получение приближённых или асимптотических SC-оценок гарантированной точности также является отдельной работой. Пока имеется лишь два примера практического применения комбинаторных оценок обобщающей способности: * Модификация критериев информативности для уменьшения переобучения конъюнктивных закономерностей в логических алгоритмах классификации (Андрей Ивахненко). * Эффективный алгоритм отбора эталонных объектов в методе ближайших соседей (Максим Иванов). Основная цель дальнейших исследований — доведение комбинаторной теории переобучения до уровня практической применимости. '''Основные направления исследований:''' * разработка математической техники для перехода от ненаблюдаемых оценок к наблюдаемым (возможно, как на основе комбинаторики, так и на основе теории концентрации вероятностной меры); * исследование комбинаторно-статистических свойств графа расслоения-связности модельных и реальных семейств алгоритмов. * получение оценок вероятности переобучения через наблюдаемый профиль расслоения-связности; * разработка эффективных методов оценивания нижних слоёв профиля расслоения-связности в конкретных методах обучения; * разработка логических алгоритмов классификации с управляемой переобученностью логических закономерностей; * развитие понятия «плотности» семейства алгоритмов и изучение возможности аппроксимации «плотных» семейств их «разреженными» подсемействами малой мощности; * развитие понятия «комбинаторного отступа» и его использование для повышения обобщающей способности линейных классификаторов; * развитие понятия локальной [[Радемахеровская сложность|радемахеровской сложности]] для более аккуратного учёта [[Расслоение и сходство алгоритмов (виртуальный семинар)|эффектов расслоения и сходства]]; * обобщение понятий расслоения и сходства алгоритмов для непрерывных функций потерь; * разработка эффективных [[Метрический классификатор|метрических алгоритмов классификации]] на основе комбинаторных оценок [[Полный скользящий контроль|полного скользящего контроля]]; * исследование связи [[Профиль компактности|профилей компактности]] с [[функция конкурентного сходства|функциями конкурентного сходства]]; * разработка методики тестирования и анализа обобщающей способности для [[Полигон алгоритмов|«Полигона алгоритмов классификации»]]. '''Публикации:''' * {{П:Воронцов 2010 Комбинаторная теория}} Лучшее изложение с добавлением последних результатов: * ''Воронцов К. В.'' [[Media:Voron-2011-tnop.pdf|Теория надёжности обучения по прецедентам]]. Курс лекций ВМК МГУ и МФТИ. 2011. '''Ключевые слова:''' overfitting, generalization bounds, computational learning theory, Vapnik-Chervonenkis theory, local Rademacher complexity. === Комбинаторная (перестановочная) статистика === {{main|Слабая вероятностная аксиоматика}} Это направление логично вытекает из предыдущего и является его обобщением. Оказывается, многие фундаментальные факты теории вероятностей и математической статистики можно переформулировать и доказать, не опираясь на колмогоровскую аксиоматику, то есть не используя теорию меры, и даже не употребляя само понятие вероятности. В&nbsp;задачах анализа данных мы всегда имеем дело с выборками конечной длины. Поэтому естественно ставить вопрос не «какова вероятность события?», а «какой может быть частота этого события на скрытых (пока еще не известных) данных?». Ответы на эти два вопроса, вообще говоря, различны, причем на выборках малой длины различие существенно. Вероятность события — абстрактная идеализированная величина. Частота события — это как раз то, что реально измеряется в эксперименте. Именно её и имеет смысл оценивать (предсказывать). [[Слабая вероятностная аксиоматика]] основана на одной единственной аксиоме: рассматривается конечная выборка ''неслучайных объектов'', которые появляются в ''случайном порядке'', причём все перестановки равновероятны. ''Событие'' — это бинарная функция на множестве всех перестановок выборки. ''Вероятность события'' определяется как доля перестановок выборки, при которых эта бинарная функция принимает единичное значение (т.е. событие имеет место). В слабой аксиоматике удаётся переформулировать значительную часть фундаментальных результатов теории вероятностей и математической статистики, оносящихся к конечным выборкам независимых наблюдений. В их числе: [[закон больших чисел]], закон сходимости эмпирических распределений ([[критерий Смирнова]]), многие [[непараметрические статистические тесты|непараметрические]], [[ранговые статистические тесты|ранговые]] и [[перестановочные статистические тесты|перестановочные]] статические критерии, теория [[Обобщающая способность|обобщающей способности]], [[теория информации]]. Во многих случаях получаемые оценки являются точными, т.е. не асимптотическими и не завышенными. Многие результаты сильно упрощаются, освобождаясь от второстепенных технических усложнений, связанных с теорией меры. Например, отпадает необходимость введения различных типов сходимости. '''Основные направления исследований:''' * выяснение границ применимости слабой вероятностной аксиоматики; * точные (комбинаторные) [[статистический тест|статистические тесты]]; * эффективные алгоритмы вычисления комбинаторных оценок; * исследование других вероятностных предположений, кроме равновероятности всех перестановок; * множественное тестирование статистических гипотез и его связь с проблемой переобучения. '''Ключевые слова:''' exchangeability, permutational statistics, concentration of probability measure. === Прогнозирование объёмов продаж === {{main|Прогнозирование объёмов продаж}} :''Видеолекция на ПостНауке:'' [http://postnauka.ru/video/59633 Математические методы прогнозирования объемов продаж]. Задачи прогнозирования объёмов продаж в сетях супермаркетов характеризуются огромным количеством временных рядов, фактической невозможностью использования классических ресурсоёмких методов прогнозирования, несимметричностью функции потерь, разнородностью и нестационарностью временных рядов, наличием пропусков и неточностей в данных, возможностью привлечения дополнительной информации о структуре ассортимента, географии продаж, ценах, промо-акциях и поведении конкурентов. '''Основные направления исследований:''' * адаптивные методы краткосрочного прогнозирования при несимметричной функции потерь; * адаптивные композиции алгоритмов прогнозирования при несимметричной функции потерь; * адаптивные методы прогнозирования плотности распределения; * адаптивные методы квантильной регрессии; * поиск взаимозаменяемых товаров, анализ и прогнозирование каннибализации брендов. '''Ключевые слова:''' sales forecast, density forecast, forecasting under asymmetric loss, quantile regression. <!--- === Анализ клиентских сред и коллабораций === {{main|Анализ клиентских сред}} Анализ клиентских сред (АКС) является относительно новой и быстро развивающейся областью [[интеллектуальный анализ данных|интеллектуального анализа данных]] (data mining). В&nbsp;современном бизнесе чрезвычайно востребовано решение следующей задачи, точнее даже группы задач. Имеется некоторый набор ресурсов (товаров, услуг, предметов), которыми пользуется огромное количество клиентов. Все действия пользователей протоколируются в электронном виде. Эти данные содержат ценнейшую информацию, необходимую для повышения качества оказываемых услуг, однако извлечь её не так просто ввиду огромного объема данных. Какие ресурсы наиболее популярны, и среди каких групп клиентов? Возможно ли угадать интересы клиента и сформировать для него персональное предложение, от которого он с высокой вероятностью не откажется? Как выявить клиентов, собирающихся в ближайшее время отказаться от обслуживания? Эти и другие задачи решаются в системах [[CRM|управления взаимоотношениями с клиентами]] (client relationship management, CRM). Создание математического обеспечения для них является актуальной наукоемкой задачей. Примеры клиентских сред — электронная библиотека, интернет-магазин, поисковая система. Технология АКС позволяет персонализировать поиск контента, ранжируя результаты поиска в таком порядке, чтобы клиенту было легче находить информацию, необходимую именно ему, именно в данный момент. '''Основные направления исследований:''' * создание [[Полигон алгоритмов коллаборативной фильтрации|полигона алгоритмов коллаборативной фильтрации]]; * разработка эффективных алгоритмов АКС и [[коллаборативная фильтрация|коллаборативной фильтрации]], позволяющих строить иерархические, разреженные, интерпретируемые профили клиентов и ресурсов в условиях динамичного потока исходных данных; * обобщающая способность алгоритмов матричного разложения; * решение прикладных задач [[персонализация|персонализации]]; * разработка [[рекомендующая система|рекомендующих систем]]. '''Ключевые слова:''' collaborative filtering, recommender systems, personalization, web mining, web usage mining, client relationship management, matrix factorization, probabilistic latent semantic indexing. === Адаптивное обучение === {{main|Адаптивное обучение}} В реальных приложениях всё чаще возникает потребность в алгоритмах классификации и прогнозирования, динамически адаптирующихся к потоку поступающих данных. Если в классической постановке задачи обучающая выборка предполагается фиксированной, независимой, взятой из не меняющегося распределения, то в задачах адаптивного (динамического, оналайнового) обучения объекты поступают в некотором порядке, изменить который нельзя, при этом независимости может не быть, а распределение может меняться со временем. В&nbsp;этих условиях также хотелось бы иметь адекватную теорию [[Обобщающая способность|обобщающей способности]]. Однако на&nbsp;практике, как правило, ограничиваются эмпирическими оценками. '''Основные направления исследований:''' * адаптивные алгоритмы классификации и прогнозирования; * исследование возможности переноса комбинаторной теории переобучения на случай адаптивного обучения; * интеллектуальная автоматизация обработки текстовой информации при участии эксперта. * онлайновые логические алгоритмы классификации; * динамическая оптимизация инвестиционного портфеля; '''Ключевые слова:''' online learning, incremental learning, adaptive learning, reinforcement learning. === Алгоритмические композиции === {{main|Композиция алгоритмов}} Алгоритмические композиции применяются в сложных задачах, когда имеющиеся [[базовый алгоритм|базовые алгоритмы]] не дают желаемого качества обучения. В&nbsp;таких случаях строят композиции алгоритмов, стараясь, чтобы ошибки различных алгоритмов скомпенсировали друг друга. Самый простой пример композиции — усреднение ответов, выдаваемых базовыми алгоритмами. Можно усреднять с весами. Можно выделять [[область компетентности|области компетентности]] различных алгоритмов, и в каждой области использовать свое распределение весов. Можно строить композиции алгоритмов с помощью нелинейных операций. Какой из этих методов лучше? В&nbsp;каких задачах? Как&nbsp;обучать базовые алгоритмы, учитывая, что они будут работать не по-отдельности, а в составе композиции? Можно&nbsp;ли приспособить для этого стандартные методы обучения? Как&nbsp;оценивать и целенаправленно улучшать обобщающую способность композиции? Как&nbsp;при этом сделать число алгоритмов в композиции поменьше? Идея алгоритмических композиций была выдвинута в середине 70-х годов в работах академика РАН [[Журавлёв, Юрий Иванович|Ю.И.Журавлева]]. В&nbsp;зарубежных исследованиях это тема стала чрезвычайно популярной в 90-е годы, после изобретения алгоритмов [[бустинг]]а, [[бэггинг]]а, [[смесь экспертов|смесей экспертов]] и других композитных конструкций. '''Основные направления исследований:''' * разработка эффективных алгоритмов построения композиций; * повышение обобщающей способности композиций; * композиции [[логическая закономерность|логических закономерностей]]; * повышение обобщающей способности логических закономерностей и их композиций; * [[монотонная коррекция]] классификаторов на основе комбинаторных оценок [[Полный скользящий контроль|полного скользящего контроля]]. * композиции алгоритмов [[ранжирование|ранжирования]]; * композиции алгоритмов [[прогнозирование|прогнозирования]]; * сравнительный анализ различных методов построения композиций. '''Ключевые слова:''' multiple classifier systems, ensemble learning, classifier fusion, boosting, mixture of experts, rule learning, rule induction. ---> === Другие проекты и виртуальные семинары === * [[Полигон алгоритмов|Полигон алгоритмов классификации]] * [[Полигон алгоритмов коллаборативной фильтрации]] * [[Similarity Miner (виртуальный семинар)]] * [[Улучшение сканированного текста (виртуальный семинар)]] * [[Оценивание дискретных распределений при дополнительных ограничениях на вероятности некоторых событий (виртуальный семинар)]] * [[Расслоение и сходство алгоритмов (виртуальный семинар)]] * [[Анализ клиентских сред и коллаборативная фильтрация (виртуальный семинар)]] == Публикации == '''Основное неустаревшее''': * ''Воронцов К. В.'' [[Media:Voron05latex.pdf|LaTeX2e в примерах]]. — 2005. — 56&nbsp;c. * ''Воронцов К. В.'' [[Media:Voron-ML-1.pdf|Теория обучения машин]]. Первый семестр. Курс лекций ВМК МГУ и МФТИ. * ''Воронцов К. В.'' [[Media:Voron-2011-tnop.pdf|Теория надёжности обучения по прецедентам]]. Курс лекций ВМК МГУ и МФТИ. * ''Воронцов К. В.'' [[Media:Voron-2013-ptm.pdf|Вероятностное тематическое моделирование]]. Курс лекций ВМК МГУ. '''Всё остальное:''' * [[Участник:Vokov/Публикации|Полный список публикаций]]. * [[Участник:Vokov/Publications|Publications of Konstantin Vorontsov in English]] — список публикаций на английском языке. == Софт == * [[ChartLib]] — Библиотека деловой и научной графики. Страница: [http://www.ccas.ru/voron/chartlib.html ChartLib]. Документация: [http://www.ccas.ru/frc/chartlive/intro.html] Удобный инструмент для аналитических исследований, генерации графиков в Internet, подготовки отчетов, выполнения курсовых и дипломных работ, встраивания графиков в приложения на Delphi и C#. Имеет собственный формат входных данных CHD (CHart Description), позволяющий описывать как таблицы данных, так и внешний вид графика. Поддерживается более 150 команд, более 50 свойств точек графика, имеется встроенный калькулятор арифметических выражений. Графики могут быть выведены в окно прикладной программы, на принтер, в буфер обмена, в файлы графических форматов BMP, EMF, PNG, JPEG, GIF. Имеется программа chdView.exe для просмотра CHD-файлов. * [[BigARTM]] — Открытая библиотека тематического моделирования. Страница: [https://github.com/bigartm github.com/bigartm]. Документация: [http://bigartm.org bigartm.org] Параллельная распределённая реализация методов вероятностного тематического моделирования на основе [[АРТМ|аддитивной регуляризации]]. Реализация ядра библиотеки на С++, интерфейсы на C++, Python. Позволяет добавлять новые регуляризаторы и метрики качества. Разработкой руководит [[Участник:Фрей Александр|Александр Фрей]]. == Аспиранты и студенты == {|cellspacing="1" cellpadding="2" |align="center"|'''Аспиранты''' |width="50"| |align="center"|'''ФУПМ МФТИ''' |width="50"| |align="center"|'''ФИВТ МФТИ''' |width="50"| |align="center"|'''ВМК МГУ''' |width="50"| |align="center"|'''ВШЭ''' |- |valign="top"| * [[Участник:Nastya Zukhba|Анастасия Зухба]] * [[Участник:Romanenko|Алексей Романенко]] * [[Участник:Sidious|Сергей Царьков]] * [[Участник:Марина|Марина Дударенко]] ---- * [[Участник:Nkzh|Никита Животовский]] * [[Участник:EvgSokolov|Евгений Соколов]] * Шаура Ишкина * Валентин Полежаев <!--* [[Участник:Елшин Денис|Денис Елшин]]--> * Антон Марценюк ---- * [[Участник:Angriff|Александр Романенко]] * [[Участник:AnyaP|Анна Потапенко]] * [[Участник:Peter Romov|Пётр Ромов]] * Виктор Кантор ---- * [[Участник: Celyh|Влада Целых]] * [[Участник:Bunakov|Василий Бунаков]] * Олег Найдин <!--* [[Участник:Tsyganova|Светлана Цыганова]]--> <!--* Сергей Стенин--> | |valign="top"| * [[Участник:Yashkov|Даниил Яшков]] * [[Участник:K.necludov|Кирилл Неклюдов]] * Евгения Вдовина * Анжелика Сухарева ---- * [[Участник:Iefimova|Ирина Ефимова]] * [[Участник:Aignatov|Андрей Игнатов]] ---- * Илья Жариков * Светлана Шишковец * Евгений Смирнов ---- * Анастасия Баяндина | |valign="top"| * Илья Ирхин * Виктор Булатов ---- * Александр Кузьмин * Макар Краснопёров ---- * Анастасия Янина * Иван Ивашковский | |valign="top"| * [[Участник:Mapishev|Мурат Апишев]] * Андрей Шапулин ---- * [[Участник:Nchirkova|Надежда Чиркова]] * Никита Шаповалов * Юлия Молчанова ---- * Роза Айсина * Владимир Полушин * Артём Попов ---- * Дарья Соболева * Кругликов Николай * Захаренко Вадим | |valign="top"| * Александра Кузнецова * Илья Удалов * Марат Ахматнуров <!--* Никита Дойков --> |} ===Бакалаврские диссертации=== # Дмитрий Иванцов. Новые методы технического анализа фьючерсных рынков. 2003. МФТИ. # Рустем Таханов. Некоторые комбинаторные оценки качества обучения по прецедентам. 2004. МФТИ. # Дмитрий Житлухин. О некоторых алгоритмах синтеза неэквивалентных матриц Адамара. 2005. МФТИ. # [[Участник:Andyray|Андрей Ивахненко]]. Исследование обобщающей способности логических алгоритмов классификации. 2005. МФТИ. # Василий Лексин. Методы выявления взаимосогласованных структур сходства в системах взаимодействующих объектов. 2005. МФТИ. # Фёдор Ульянов. Связь информативности и обобщающей способности в метрических алгоритмах классификации. 2005. МФТИ. # Сергей Ументаев. Алгоритмы динамического обучения принятию решений в сильно зашумлённых временных рядах. 2005. МФТИ. # Иван Гуз. Алгоритмические композиции с монотонными и выпуклыми корректирующими операциями. 2006. МФТИ. # Александр Маценов. Методы обучения линейных композиций алгоритмов классификации. 2006. МФТИ. # [[Участник:Nikita Pustovoytov|Никита Пустовойтов]]. Обучение композиций дипольных классификаторов на основе ЕМ-алгоритма. 2007. МФТИ. # Александр Климов. Методы предсказания рейтингов в рекомендующих системах. 2007. МФТИ. # Александр Орлов. Проблема переобучения при отборе признаков в линейной регрессии с фиксированными коэффициентами. 2007. МФТИ. # Артур Коваль. Прогнозирование временных рядов с несимметричным функционалом потерь. 2007. МФТИ. # Александр Ширяев. Выбор опорных множеств в алгоритмах типа вычисления оценок: нейросетевой подход. 2007. ВМК МГУ. # Ирина Лебедева. Об одном методе статистически обоснованного сравнения временных рядов доходности паевых инвестиционных фондов. 2008. МФТИ. # [[Участник:Фрей Александр|Александр Фрей]]. О дискретных аппроксимациях непрерывных вероятностных распределений. 2008. МФТИ. # Кирилл Чувилин. Проблема переобучения при отборе признаков по внешним критериям в многомерной линейной регрессии. 2008. МФТИ. # Пётр Цюрмасто. Влияние различности алгоритмов на обобщающую способность метода минимизации эмпирического риска. 2008. МФТИ. # Андрей Бадзян. Комбинаторный аналог неравенства МакДиармида и обобщающая способность стабильных алгоритмов. 2008. МФТИ. # [[Участник:Nastya Zukhba|Анастасия Зухба]]. Метрические алгоритмы классификации с отбором опорных объектов. 2009. МФТИ. # [[Участник:Pavel Minaev|Павел Минаев]]. Расширенная методика тестирования алгоритмов классификации. 2009. МФТИ. # [[Участник:Romanenko|Алексей Романенко]]. Адаптивный выбор оптимальной модели временного ряда на основе множества статистических критериев. 2009. МФТИ. # [[Участник:Алексей Куренной|Алексей Куренной]]. Распознавание цитат в текстовых фрагментах. 2009. ВМК МГУ. # Никита Спирин. Монотонные композиции алгоритмов ранжирования. 2010. МФТИ. # Юрий Янович. Оценивание скрытого профиля компактности в задачах обучения методом ближайшего соседа. 2010. МФТИ. # Алексей Островский. Эмпирическое исследование линейных и монотонных композиций алгоритмов ранжирования. 2010. МФТИ. # Игорь Литвинов. Адаптивные методы квантильной регрессии для прогнозирования временных рядов. 2010. МФТИ. # Евгений Зайцев. Прогнозирование средних скоростей движения в городской автотранспортной сети. 2011. МФТИ. # Никита Животовский. Вероятность большого отклонения частоты ошибок на тестовой выборке от оценки скользящего контроля. 2011. МФТИ. # Александр Мафусалов. Комбинаторные оценки вероятности переобучения пороговых классификаторов. 2011. МФТИ. # Александр Фирстенко. Методы выделения терминов и тематической классификации текстовых документов. 2011. МФТИ. # Михаил Кокшаров. Комбинаторные оценки обобщающей способности на основе попарного сравнения алгоритмов. 2012. МФТИ. # Михаил Бурмистров. Методы оптимизации параметров вероятностных тематических моделей. 2012. МФТИ. # [[Участник:Angriff|Александр Романенко]]. [[Media:romanenko2012bach.pdf|Категоризация текстов на основе монотонного классификатора ближайшего соседа]]. 2012. МФТИ. # Илья Ямщиков. Методы обучаемого ранжирования для поиска релевантных алгоритмов классификации. 2012. МФТИ. # Ильдар Газизов. Проект информационно-аналитической системы для поддержки консультирования по функционально-ролевой модели бизнеса. 2012. МФТИ. # [[Участник:Stepka974|Степан Лобастов]]. [[Media:lobastov2013diploma.pdf|Построение тематической классификации коллекции документов с неизвестным числом тем]], [[Media:lobastov2013presentation.pdf|презентация]]. 2013. МФТИ. # [[Участник: Celyh|Влада Целых]]. [[Media:Tselykh2013Diploma.pdf|Статистические критерии адекватности вероятностных тематических моделей коллекции текстовых документов]], [[Media:Tselykh2013Presentation.pdf|презентация]]. 2013. МФТИ. # [[Участник:Tsyganova|Светлана Цыганова]]. Выявление несогласованностей в иерархической тематической модели с фиксированной иерархией. 2013. МФТИ. # Александр Бырдин. Классификация текстовых объявлений. 2014. МФТИ. # [[Участник:Voronov|Сергей Воронов]]. [[Media:Voronov2014Classification.pdf‎|Фильтрация и тематическое моделирование коллекции научных документов]]. 2014. МФТИ. # [[Участник:Oleg.Grinchuk|Олег Гринчук]]. Классификация нестационарного потока текстовых объявлений, [[Media:Grinchuk2014presentation.pdf|презентация]]. 2014. МФТИ. # [[Участник:K.necludov|Кирилл Неклюдов]]. [[Media:AnomalyDetection.pdf‎|Обнаружение аномалий в дискретных временных рядах]], [[Media:Neklyudov2014Presentation.pdf|презентация]]. 2014. МФТИ. # [[Участник:Ryskina|Мария Рыскина]]. [[Media:Ryskina2014BSc.pdf‎|Регуляризация вероятностных тематических моделей для повышения устойчивости и интерпретируемости]]. 2014. МФТИ. # [[Участник:Yashkov|Даниил Яшков]]. [[Media:Yashkov2014Theme.pdf‎|Методы понижения размерности в задаче поиска аномалий в многомерных временных рядах]], [[Media:Yashkov2014Theme_Slides.pdf|презентация]]. 2014. МФТИ. # Андрей Шапулин. Регуляризация вероятностных тематических моделей для классификации символьных последовательностей. 2015. ВМК МГУ. # Михаил Хальман. Методы персонализации показа объявлений в рекламной сети. 2015. ВМК МГУ. # Никита Дойков. [[Media:2015_417_DoykovNV.pdf|Адаптивная регуляризация вероятностных тематических моделей]]. 2015. ВМК МГУ. # [[Участник:Mapishev|Мурат Апишев]]. [[Media:Apishev2015BSc.pdf‎|Мультимодальные регуляризованные вероятностные тематические модели]]. 2015. ВМК МГУ. # Александра Кузнецова. Методы регуляризации для отбора признаков в линейных классификаторах и их применение в банковской клиентской аналитике. 2015. ВШЭ. # Алексей Гринчук. Использование контекстной документной кластеризации для улучшения качества тематических моделей. 2015. МФТИ. # [[Участник:Iefimova|Ирина Ефимова]]. Формирование однородных обучающих выборок в задачах классификации. 2015. МФТИ. # [[Участник:Aignatov|Андрей Игнатов]]. Deep Learning in information analysis of electrocardiogram signals for disease diagnostics. 2015. МФТИ. # Анна Липатова. Выделение мультиграммных признаков в задачах классификации символьных последовательностей. 2015. МФТИ. # Анастасия Макарова. Выделение информативных признаков заболеваний в информационном анализе электрокардиосигналов. 2015. МФТИ. # [[Участник:Aplavin|Александр Плавин]]. [[Media:Plavin2015Bsc.pdf|Отбор тем в задачах тематического моделирования]]. 2015. МФТИ. # Михаил Швец. Монотонные классификаторы для задач медицинской диагностики. 2015. МФТИ. # Михаил Шинкевич. Применение коллаборативной фильтрации, активного обучения и навигационной корреляции в задаче выделения селекторов. 2015. МФТИ. # [[Участник:Nchirkova|Надежда Чиркова]]. Иерархические тематические модели для интерактивной навигации по коллекциям текстовых документов. 2016. ВМК МГУ. # Никита Шаповалов. Тематические модели для классификации символьных последовательностей в задачах биоинформатики и анализа биомедицинских сигналов. 2016. ВМК МГУ. # Юлия Молчанова. Проверка адекватности тематических моделей в онлайновых алгоритмах. 2016. ВМК МГУ. # Иван Ивашковский. Методы инициализации в вероятностном тематическом моделировании. 2016. ФИВТ МФТИ. # Анастасия Янина. Мультимодальные тематические модели статей коллективных блогов для разведочного поиска. 2016. ФИВТ МФТИ. # Илья Жариков. Статистические тесты однородности символьных последовательностей. 2016. ФУПМ МФТИ. # Евгений Смирнов. Суммаризация тем в вероятностном тематическом моделировании. 2016. ФУПМ МФТИ. # Светлана Шишковец. Аддитивная регуляризация наивного линейного байесовского классификатора. 2016. ФУПМ МФТИ. ===Магистерские диссертации=== # Юрий Карпов. Имитационная модель торгов. 2003. МФТИ. # Дмитрий Иванцов. Применение алгоритмов бустинга для построения комбинированных инвестиционных стратегий. 2005. МФТИ. # [[Участник:Denis Kochedykov|Денис Кочедыков]]. Разработка, реализация и тестирование специализированной библиотеки логических алгоритмов классификации. 2005. ВМК МГУ. # Александр Кругов. Поиск закономерностей и принятие решений по дискретным временным рядам. 2006. МФТИ. # Дмитрий Житлухин. Персонализированная рубрикация текстовых сообщений. 2007. МФТИ. # [[Участник:Andyray|Андрей Ивахненко]]. Методы улучшения обобщающей способности логических алгоритмов классификации. 2007. МФТИ. # Василий Лексин. Технология персонализации на основе выявления тематических профилей пользователей и ресурсов Интернет. 2007. МФТИ. # Фёдор Ульянов. Оценивание обобщающей способности функций близости при оптимизации модели АВО. 2007. МФТИ. # Сергей Ументаев. Проблема переобучения при отборе признаков в линейной регрессии с фиксированными коэффициентами. 2007. МФТИ. # Иван Гуз. [[Media:Guz2008ms.pdf|Проблема обобщающей способности и оптимизация профиля монотонности в композициях классификаторов]]. 2008. МФТИ. # Александр Маценов. Профиль разделимости и обобщающая способность линейных композиций классификаторов. 2008. МФТИ. # Геннадий Федонин. Композиции алгоритмов предсказания рейтингов в системах рекомендаций. 2008. МФТИ. # [[Участник:Nikita Pustovoytov|Никита Пустовойтов]]. Поиск схожих пользователей социальных сетей методами коллаборативной фильтрации. 2009. МФТИ. # Александр Орлов. Комбинаторные оценки вероятности переобучения для случая произвольной заданной матрицы ошибок. 2009. МФТИ. # Артур Коваль. [[Media:koval2009ms.pdf|Построение адаптивных композиций алгоритмов прогнозирования при несимметричной функции потерь]]. 2009. МФТИ. # Ирина Лебедева. Методы повышения обобщающей способности логических алгоритмов классификации. 2010. МФТИ. # [[Участник:Фрей Александр|Александр Фрей]]. [[Media:Frey2010ms.pdf|Точные оценки вероятности переобучения для рандомизированного метода минимизации эмпирического риска]]. 2010. МФТИ. # Кирилл Чувилин. Проект интеллектуальной системы для автоматизации коррекции документов в формате LaTeX. 2010. МФТИ. # Пётр Цюрмасто. Точные комбинаторные оценки вероятности переобучения для цепочек алгоритмов. 2010. МФТИ. # [[Участник:Nastya Zukhba|Анастасия Зухба]]. Вычислительная сложность задачи отбора опорных объектов в методе ближайших соседей. 2011. МФТИ. # [[Участник:Pavel Minaev|Павел Минаев]]. [[Media:Minaev2011ms.pdf|Методика тестирования алгоритмов классификации в системе Полигон и её обоснования]]. 2011. МФТИ. # [[Участник:Romanenko|Алексей Романенко]]. Методы агрегирования адаптивных алгоритмов прогнозирования. 2011. МФТИ. # Игорь Литвинов. Методы уточнения карты дорог по данным GPS-сигналов автомобилей. 2012. МФТИ. # Никита Спирин. [[Media:Spirin2012ms.pdf|Структурированный поиск с числовыми и логическими ограничениями в неструктурированных Веб-коллекциях]]. 2012. МФТИ. # [[Участник:Nkzh|Никита Животовский]]. [[Media:Zhivotivskiy2013MsThesis.pdf|Концентрация меры в комбинаторных оценках обобщающей способности]]. 2013. МФТИ. # Виталий Глушаченков. [[Media:Glushachenkov2013MsThesis.pdf|Устойчивость матричных разложений в задачах тематического моделирования]]. 2013. МФТИ. # [[Участник:Almaf|Александр Мафусалов]]. [[Media:Mafusalov2013ms.pdf|Оценивание вероятности успеха в серии испытаний Бернулли по другой серии при наличии зависимости между вероятностями успеха]]. 2013. МФТИ. # [[Участник:Kolt|Николай Савинов]]. [[Media:SavinovThesis2013.pdf|Классификация эмоциональной окраски сообщений в социальных сетях]]. 2013. МФТИ. # Андрей Романов. [[Media:Romanov-2013-ms.pdf|Методы упрощения композиций, получаемых при градиентном бустинге]]. 2013. МФТИ. # [[Участник:Angriff|Александр Романенко]]. [[Media:Romanenko2014Application.pdf|Применение условных случайных полей в задачах обработки текстов на естественном языке]]. 2014. МФТИ. # Илья Ямщиков. [[Media:Yamshchikov-2014-ms.pdf|Математические методы диагностики ишемической болезни по электрокардиограмме сверхвысокого разрешения]]. 2014. МФТИ. # [[Участник: Celyh|Влада Целых]]. [[Media:Tselykh2015Diploma.pdf|Статистические обоснования информационного анализа электрокардиосигналов для диагностики заболеваний внутренних органов]]. 2015. МФТИ. # [[Участник:Tsyganova|Светлана Цыганова]]. Применение тематической модели классификации в информационном анализе электрокардиосигналов. 2015. МФТИ. # [[Участник:Bunakov|Василий Бунаков]]. [[Media:Bunakov2015MSThesis.pdf|Методы нечеткого кодирования в информационном анализе электрокардиосигналов]]. 2015. МФТИ. # [[Участник:Steninss|Сергей Стенин]]. [[Media:Stenin2015MasterThesis.pdf|Мультиграммные аддитивно регуляризованные тематические модели]]. 2015. МФТИ # Дмитрий Аникушин. Использование вероятностных тематических моделей для персонализации показов рекламы. 2015. ФИВТ МФТИ. # Дмитрий Гронский. Аддитивная регуляризация тематических моделей для задачи классификации символьных последовательностей. 2015. ФИВТ МФТИ. # Кирилл Остапенко. Выявление случаев мошенничества в онлайн-играх методами машинного обучения. 2015. ФИВТ МФТИ. # Виктор Булатов. Использование графовой структуры в тематическом моделировании. 2016. ФИВТ МФТИ. # Илья Ирхин. Сходимость численных методов вероятностного тематического моделирования. 2016. ФИВТ МФТИ. # Анжелика Сухарева. Оценивание качества выделения терминов в задаче классификации текстовых документов. 2016. ФУПМ МФТИ. # Евгения Вдовина. Отбор признаков для многоклассовой классификации символьных последовательностей. 2016. ФУПМ МФТИ. ===Дипломные работы=== # Максим Янпольский. Идентификация инвестиционных стратегий участников биржевых торгов. 2002. ВМК МГУ. # Александр Киселев. Классификация участников биржевого рынка по близости к стратегиям технического анализа. 2003. ВМК МГУ. # Андрей Липасти. Метрические алгоритмы анализа биржевых стратегий и поведения участников торгов. 2003. ВМК МГУ. # Денис Старых. Алгоритмы генерации сигналов в потоке торговых данных. 2003. ВМК МГУ. # Денис Якубенков. Применение методов распознавания при построении и настройке имитационной модели биржевых торгов. 2003. ВМК МГУ. # Екатерина Егорова. [[Media:Egorova2005diploma.pdf|Сравнительный анализ методов алгебраической коррекции для одного класса алгоритмов прогнозирования]]. 2005. ВМК МГУ. # [[Участник:Даниил Каневский|Даниил Каневский]]. [[Media:Kanevskiy2005diploma.pdf|Генетические алгоритмы синтеза локальных базисов в алгебраическом подходе к проблеме распознавания]]. 2005. ВМК МГУ. # Алексей Колосков. Применение комбинаторных оценок обобщающей способности для повышения качества метрических алгоритмов классификации. 2005. ВМК МГУ. # Дмитрий Соколов. Сравнительный анализ обобщающей способности логических алгоритмов классификации. 2005. ВМК МГУ. # Людмила Романюха. Логические алгоритмы классификации в задачах кредитного скоринга и оценка риска кредитного портфеля банка. 2006. ВМК МГУ. # Ирек Ахуньянов. Применение модифицированного метода опорных векторов для построения метрических классификаторов. 2008. ВМК МГУ. # [[Участник:Венжега Андрей|Андрей Венжега]]. Отбор информативных признаков на выборках небольшой длины в задаче линейной регрессии с фиксированными ко-эффициентами. 2009. ВМК МГУ. # Максим Иванов. Эффективные метрические алгоритмы классификации на основе оптимизации профиля компактности. 2009. ВМК МГУ. # Алексей Медведев. Обобщающая способность логических закономерностей. 2009. ВМК МГУ. # [[Участник:Tsurko Varvara|Варвара Цурко]]. [[Media:Tsurko-2009-ms.pdf|Логические алгоритмы классификации: проблема переобучения и применение в задачах медицинской диагностики]]. 2009. ВМК МГУ. # Григорий Чижик. Распознавание скрытых профилей пользователей и ресурсов в анализе клиентских сред. 2009. ВМК МГУ. # [[Участник:Gukov|Алексей Гуков]]. Оценки вероятности переобучения для некоторых связных семейств алгоритмов. 2010. ВМК МГУ. # [[Участник:Alina|Алина Карпинская]]. [[Media:Karpinskaya-2010.pdf|Методы построения неполносвязных нейронных сетей и их приложения в задачах прогнозирования]]. 2010. ВМК МГУ. # [[Участник:Василий Ломакин|Василий Ломакин]]. Поиск взаимосвязей во временных рядах продаж. 2010. ВМК МГУ. # [[Участник:Slimper|Илья Решетняк]]. Комбинаторные оценки вероятности переобучения, учитывающие эффекты расслоения и связности в семействах алгоритмов. 2010. ВМК МГУ. # [[Участник:Tolstikhin|Илья Толстихин]]. Оценки обобщающей способности и применение логических алгоритмов классификации в задаче распознавания вторичной структуры белка. 2010. ВМК МГУ. # [[Участник:Eroshenko|Александр Ерошенко]]. Применение оценок обобщающей способности в алгоритмах построения решающих деревьев. 2011. ВМК МГУ. # Мария Когадеева. Математическая модель данных микрочипов ДНК и методы оценки её параметров. 2011. ВМК МГУ. # [[Участник:Zhanna|Жанна Кожахметова]]. Построение карты дорог по данным о треках автотранспортных средств. 2011. ВМК МГУ. # [[Участник:Yury Logachev|Юрий Логачёв]]. Методы ранжирования в задаче текстовой релевантности. 2011. ВМК МГУ. # [[Участник:EPolezhaeva|Елена Полежаева]]. [[Media:Polezhaeva-2011-ms.pdf|Инкрементные матричные разложения в задачах коллаборативной фильтрации]]. 2011. ВМК МГУ. # Алёна Шевцова. Отбор информативных признаков в задачах медицинской диагностики. 2011. ВМК МГУ. # Александр Колесников. [[Media:Kolesnikov-2012-master-thesis.pdf|Прогнозирование вероятности кликов на новые рекламные объявления]]. 2012. ВМК МГУ. # Дмитрий Солодкин. Выявление закономерностей научного цитирования на основе вероятностных тематических моделей. 2012. ВМК МГУ. # Марина Дударенко. [[Media:Dudarenko-2012-masters-thesis.pdf|Методы предсказания информативности логических закономерностей]]. 2012. ВМК МГУ. # Ольга Исупова. Выявление тематических связей между документами методами латентного семантического анализа. 2012. ВМК МГУ. # Шаура Ишкина. [[Media:Ishkina-2013-master-thesis.pdf|Вероятность переобучения прямых цепей алгоритмов классификации]]. 2013. Мехмат МГУ. # Мария Василевская. Алгоритмы построения разреженных тематических моделей. 2013. Мехмат МГУ. # Кирилл Гаврилюк. [[Media:Gavrilyuk-2013-masters-thesis.pdf|Методы построения иерархических тематических моделей коллекции текстовых документов]]. 2013. ВМК МГУ. # Валентин Полежаев. [[Media:Polezhaev-2013-masters-thesis.pdf|Обучаемые методы извлечения наукометрической информации из коллекций научных публикаций]]. 2013. ВМК МГУ. # [[Участник:EvgSokolov|Евгений Соколов]]. [[Media:Sokolov-2013-masters-thesis.pdf|Комбинаторные оценки обобщающей способности и их применение для построения композиций линейных классификаторов]]. 2013. ВМК МГУ. # Иван Шанин. Методы анализа электрокардиограмм для ранней диагностики ишемической болезни. 2013. ВМК МГУ. # [[Участник:AnyaP|Анна Потапенко]]. [[Media:Potapenko-2014-masters-thesis.pdf|Лингвистическая регуляризация вероятностных тематических моделей]]. 2014. ВМК МГУ. # [[Участник:SdvAnd|Андрей Шадриков]]. [[Media:2015_517_ShadrikovAA.pdf|Алгоритмы неотрицательных матричных разложений для тематического моделирования]]. 2015. ВМК МГУ. # Тимур Исмагилов. [[Media:Ismagilov-2016-masters-thesis.pdf|Частично обучаемые вероятностные тематические модели коллекций научных текстов]]. 2016. ВМК МГУ. ===Кандидатские диссертации=== # [[Участник:Andyray|Андрей Ивахненко]]. Комбинаторные оценки вероятности переобучения и их применение в логических алгоритмах классификации. МФТИ. 2010. # [[Участник:Гуз Иван|Иван Гуз]]. Комбинаторные оценки полного скользящего контроля и методы обучения монотонных классификаторов. ВЦ РАН. 2011. # [[Участник:Denis Kochedykov|Денис Кочедыков]]. Оценки обобщающей способности на основе характеристик расслоения и связности семейств функций. ВЦ РАН. 2011. # [[Участник:Павел Ботов|Павел Ботов]]. Оценки вероятности переобучения многомерных семейств алгоритмов классификации. ВЦ РАН. 2011. # [[Участник:Olman|Василий Лексин]]. Вероятностные модели в анализе клиентских сред. ВЦ РАН. 2011. # [[Участник:Pavel Kudinov|Павел Кудинов]]. [[Media:Kudinov2012phd.pdf|Адаптивные методы извлечения информации из статистических таблиц, представленных в текстовом виде]]. ВЦ РАН. 2012. # [[Участник:KiRiK|Кирилл Чувилин]]. [[Media:Chuvilin2013phd.pdf|Автоматический синтез правил коррекции текстовых документов формата LaTeX]]. ВЦ РАН. 2013. # [[Участник:Фрей Александр|Александр Фрей]]. [[Media:Frey2013phd.pdf|Теоретико-групповой подход в комбинаторной теории переобучения]]. ВЦ РАН. 2013. # [[Участник:Tolstikhin|Илья Толстихин]]. [[Media:Tolstikhin2014phd.pdf|Неравенства концентрации вероятностной меры в трансдуктивном обучении и PAC-Байесовском анализе]]. ВЦ РАН. 2014. # [[Участник:Riabenko|Евгений Рябенко]]. [[Media:Riabenko2014phd.pdf|Выбор функций потерь в задачах неотрицательного матричного разложения]]. ВЦ РАН. 2014. == Cсылки == * [http://www.ccas.ru/voron Домашняя страница К.&nbsp;В.&nbsp;Воронцова] на сайте ВЦ РАН (устарела). * [http://www.ccas.ru/voron/.index-eng.html K.Vorontsov homepage] — то же, там же, но на английском. * [http://www.mathnet.ru/php/person.phtml?personid=42083&option_lang=eng K.Vorontsov] — то же, там же, но на английском. * [http://www.ccas.ru/frc FRC]. * [http://www.forecsys.ru Forecsys]. * [http://google.com/+KonstantinVorontsov google.com/+KonstantinVorontsov] == Мои подстраницы == {{Служебная:Prefixindex/Участник:Vokov/}} ---- '''[[Служебная:EmailUser/Vokov|Написать письмо К.В.Воронцову]]'''. [[Категория:Страницы участников|V]]

• Шаблон:TOCright
• Шаблон:Биб.статья
• Шаблон:Важно
• Шаблон:Диссертация
• Шаблон:Переводы
• Шаблон:Подробнее
• Публикация:Воронцов 2010 Комбинаторная теория

Возврат к странице Участник:Vokov.