Участник:Strijov

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(→Исследовательская группа)
м (→Исследовательская группа)
Строка 148: Строка 148:
* [[Участник:Hristolubov_Maxim|Максим Христолюбов]]
* [[Участник:Hristolubov_Maxim|Максим Христолюбов]]
* Шокоров Вячеслав
* Шокоров Вячеслав
-
* <!-- Анастасия Филипова -->
+
<!-- * Анастасия Филипова -->
* Александра Базарова
* Александра Базарова
* [[Участник:Vayser Kirill|Кирилл Вайсер]]
* [[Участник:Vayser Kirill|Кирилл Вайсер]]

Версия 15:57, 27 декабря 2020

Содержание

Вадим Викторович Стрижов

 


Текущие проекты

  • Анализ поведения человека по измерениям датчиков мобильного телефона и носимых устройств. По сигналам акселерометра и гироскопа требуется восстановить элементарные движения человека и описать его поведение.
  1. Задача: создать смесь моделей, которая описывает поведение человека в различных характеристических временах.
  2. Задача: написать процедуру классификации, которая устойчиво работает в мобильном телефоне.
  • Анализ сигналов в электроэнцефалографии, магнитоэнцефалографии, электрокардиографии. Прогнозирование движений конечностей по измерениям датчиков на коре головного мозга

По электрокортикограмме требуется восстановить траекторию движения рук.

  1. Задача: построить нейросеть с качеством прогнозирования, превышающим текущее.
  2. Задача: предложить новый способ описания системы сигналов исходя из гипотезы об их распространении.
  • Оценка оптимального объема выборки при построении моделей медицинской диагностики.
  1. Задача: описать процедуру определения оптимального числа пациентов при постановке исследований в области медицины. Цель - создать и внедрить во врачебную практику метод теоретически обоснованной оценки объемы выборки пациентов, учитывающих адекватную модель классификации.
  • Порождение локальных моделей с помощью конкурирующих нейросетей GAN.
  1. Задача: построить модель, порождающую простые суперпозиции (локальные аппроксимирующие модели) лучшего качества, чем суперпозиции, порождаемые генетическими алгоритмами.
  2. Задача: предложить функцию, штрафующую полносвязный взвешенный граф за его отличие от дерева. Эксперименты проводятся на моделях, аппроксимирующих временные ряды и на моделях, ранжирующих коллекции текстовых документов.
  • Исследование теоретических основ машинного интеллекта. Создание алгоритмов автоматического порождения и выбора моделей. Создание методов алгоритмической постановки задач.
  1. Задача: исследовать модели последовательного и одновременного порождения и выбора признаков.
  2. Задача: предложить алгоритм одновременного выбора параметров и структуры модели, превосходящий по качеству алгоритм смешанной оптимизации и сопоставимый с генетическим.
  3. Задача: исследовать метод порождения признаков, в котором в качестве признаков используются параметры моделей локальной аппроксимации.
  • Построение прикладных систем анализа данных. Распознавание биомедицинских сигналов, анализ поведения сложных систем. Тематическое моделирование, анализ коллекций текстов, построение поисковых систем, структурное обучение. Согласование экспертных оценок, построение рейтингов.


Студенческие проекты и курс «Моя первая научная публикация»

  • Все проекты на страницах групп 274 и YAD.

Прежние проекты

  • Порождение математических моделей

Моделируется физическое, биологическое или другое измеряемое явление. Например, распространение нервного импульса, изменение давление в камере внутреннего сгорания, изменение цены опциона в ходе торгов. Требуется разработать алгоритм, который автоматически порождает модели, понятные специалистам в прикладной области.

  • Обработка космических снимков

Спутник фотографирует поверхность земли. Один и тот же участок фотографируется с интервалом в месяц. Требуется по фотографии определить возможные медленные движения инженерных сооружений, расположенных на поверхности земли.

По данным железнодорожных перевозок и микроэкономическим показателям требуется спрогнозировать загруженность железнодорожного узла.

  • Прогнозирование потребления и цен электроэнергии

По историческим ценам и объемам потребленной электроэнергии требуется сделать почасовой прогноз на следующий день. Визуализация для принятия решений при планировании крупных конференций По тезисам конференции EURO за последние годы требуется построить систему, которая бы визуально рекомендовала научную область и сессию докладчику-новичку.

  • Прогнозирование инфаркта по иммунологическим данным

Есть четыре класса пациентов: после операции, перед операцией и две группы здоровых. Измеряется концентрация определенных белков на поверхности кровяных телец. Измерения дорогие, пациентов мало. Требуется предложить прогностическую модель.

Сообщения

  • Comparative assessment of scoring functions: slides
  • Порождение моделей ранжирования текстовых коллекций: текст, постер

Учебные курсы, кафедра «Интеллектуальные системы» МФТИ

Лекции

  • Methods of Preference Learning for Ordinal Classification and Decision Making, slides (pdf).
  • Model generation and selection using coherent Bayesian inference, 28.01.2015 slides (pdf), 22.04.2015 (pdf).
  • Basic Understanding of Quantitative Modelling, slides (pdf).
  • Машинное обучение и моделирование экспериментальных данных, slides (pdf).
  • Создание системы прогнозирования объемов грузовых железнодорожных перевозок, slides (pdf).

Исследовательская группа

Аспиранты Магистры Бакалавры

Кандидатские диссертации

  1. Олег Юрьевич Бахтеев. Выбор моделей глубокого обучения субоптимальной сложности git, автореферат, презентация (PDF). 2020. МФТИ.
  2. Мотренко Анастасия Петровна. Выбор моделей прогнозирования мультикоррелирующих временных рядов, автореферат, презентация (PDF). 2019. МФТИ.
  3. Адуенко Александр Александрович. Выбор мультимоделей в задачах классификации, презентация (PDF). 2017. МФТИ.
  4. Кузьмин Арсентий Александрович. | Построение иерархических тематических моделей коллекций коротких текстов, | презентация (PDF). 2017. МФТИ.
  5. Кузнецов Михаил Павлович. Построение моделей обучения по предпочтениям с использованием порядковых экспертных оценок, презентация (PDF). 2017. МФТИ.
  6. Сологуб Роман Аркадьевич. Методы трансформации моделей в задачах нелинейной регрессии, презентация PDF, полная версия PDF. 2013. МФТИ.

Магистерские диссертации

  1. Гончаров Алексей Владимирович. Построение интерпретируемых моделей глубокого обучения в задаче социального ранжирования, презентация (PDF). 2018. ФУПМ МФТИ.
  2. Исаченко Роман Владимирович. Снижение размерности пространства в задачах анализа временных рядов, презентация (PDF). 2018. ФУПМ МФТИ.
  3. Нейчев Радослав Георгиев. Информативные априорные предположения в задаче привилегированного обучения, презентация (PDF). 2018. ФУПМ МФТИ
  4. Бочкарев Артем Максимович. Структурное обучение для генерации моделей, презентация (PDF). 2018. ФУПМ МФТИ.
  5. Карасиков Михаил Евгеньевич. Построение ранжирующей функции для прогнозирования третичной структуры белка, презентация (PDF). 2017. ФУПМ МФТИ.
  6. Попова Мария Сергеевна. Порождающие и разделяющие модели для генерации новых лекарств. 2017. ФУПМ МФТИ.
  7. Кулунчаков Андрей Сергеевич. Порождение структурно простых ранжирующих функций для задач информационного поиска, презентация (PDF). 2017. ФУПМ МФТИ.
  8. Митяшов Андрей Андреевич. Декомпозиция смеси распределений на основе эмпирических данных в задачах текстовой кластеризации, презентация (PDF). 2016. ФУПМ МФТИ.
  9. Катруца Александр Михайлович. Дискретное квадратичное программирование с релаксацией при отборе признаков, презентация (PDF). 2016. ФУПМ МФТИ.
  10. Бахтеев Олег Юрьевич. Последовательное порождение моделей глубокого обучения оптимальной сложности, презентация (PDF). 2016. ФУПМ МФТИ.
  11. Стенина (Медведникова) Мария Михайловна. Согласование прогнозов в задачах прогнозирования иерархических временных рядов, презентация (PDF). 2015. ФУПМ МФТИ.
  12. Кузьмин Арсентий Александрович. Построение иерархических тематических моделей крупных конференций, презентация (PDF). 2015. ФУПМ МФТИ.
  13. Матросов Михаил Павлович/ Краткосрочное предсказание музыкальных произведений с использованием последовательностей аккордов (PDF), слайды. 2015. ФУПМ МФТИ.
  14. Кузнецова Маргарита Валерьевна. Классификация временных рядов с использованием инвариантных преобразований. 2015. ФУПМ МФТИ.
  15. Жуйков Владимир Владимирович. Рекомендательная система подбора одежды, основанна на метрическом анализе рекламных описаний, презентация (PDF). 2015. ФУПМ МФТИ.
  16. Адуенко Александр Александрович. Топологический анализ пространства параметров в задачах выбора мультимоделей, презентация (PDF). 2015. ФУПМ МФТИ.
  17. Рудой Георгий Игоревич. Алгоритмы индуктивного порождения и упрощения и критерии выбора оптимальной существенно нелинейной регрессионной модели для аппроксимации измеряемых данных, презентация (PDF). 2014. ФУПМ МФТИ.
  18. Фадеев Илья Владимирович. Выбор иерархических моделей в авторегрессионном прогнозировании, презентация (PDF). 2013. ФУПМ МФТИ.
  19. Кононенко Даниил Сергеевич. Оценка параметров инвариантных преобразований в задачах прогнозирования временных рядов, презентация (PDF). 2013. ФУПМ МФТИ.
  20. Мотренко Анастасия Петровна. Оценка объема выборки в задачах прогнозирования, презентация (PDF). 2014. ФУПМ МФТИ.
  21. Кузнецов Михаил Павлович. Построение интегральных индикаторов в задачах с порядковыми признаками, презентация (PDF). 2013. ФУПМ МФТИ.


Бакалаврские диссертации

  1. Гасанов Эльнур Эльдар оглы. Порождение пространства признаков в задачах анализа кортикограмм, Презентация. 2018. ФУПМ МФТИ.
  2. Иванычев Сергей Дмитриевич. Выбор оптимальных моделей локальной аппроксимации для классификации временных рядов, Презентация. 2018. ФУПМ МФТИ.
  3. Смердов Антон Николаевич. Выбор оптимальной модели рекуррентной сети в задачах поиска парафраза, Презентация. 2018. ФУПМ МФТИ.
  4. Уваров Никита Денисович. Выбор суперпозиций моделей при прогнозировании временных рядов, Презентация). 2018. ФУПМ МФТИ.
  5. Усманова Карина Равилевна. Модели обнаружения зависимостей во временных рядах в задачах построения прогностических моделей, Презентация. 2018. ФУПМ МФТИ.
  6. Шибаев Иннокентий Андреевич. Прогнозирование оптимальных суперпозиций в задачах регрессии, Презентация. 2018. ФУПМ МФТИ.
  7. Владимирова Мария Руслановна. Бэггинг нейронных сетей , презентация (PDF). 2017. ФУПМ МФТИ.
  8. Задаянчук Андрей Игоревич. Выбор оптимальной модели классификации временных рядов, презентация (PDF). 2016. ФУПМ МФТИ.
  9. Златов Александр Сергеевич. Построение иерархической модели крупной конференции, презентация (PDF). 2016. ФУПМ МФТИ.
  10. Исаченко Роман Владимирович. Метрическое обучение в задаче многоклассовой классификации временных рядов, презентация (PDF). 2016. ФУПМ МФТИ.
  11. Нейчев Радослав Георгиев. Прогностические мультимодели разномасштабных временных рядов интернета вещей, презентация (PDF). 2016. ФУПМ МФТИ.
  12. Бочкарев Артем Максимович. Порождение экспертно-интерпретируемых моделей петрофизических измерений в лабораторных исследованиях керна, презентация (PDF). 2016. ФУПМ МФТИ.
  13. Гончаров Алексей Владимирович. Методы дискретного и непрерывного выравнивания временных рядов, презентация (PDF). 2016. ФУПМ МФТИ.
  14. Двинских Дарина Михайловна. Выбор суперпозиции моделей при прогнозировании грузовых железнодорожных перевозок, презентация (PDF). 2016. ФУПМ МФТИ.
  15. Попова Мария Сергеевна. Выбор оптимальной сети глубокого обучения в задачах классификации временных рядов, презентация. 2015. ФУПМ МФТИ.
  16. Кулунчаков Андрей Сергеевич. Порождение структурно простых ранжирующих функций для задач информационного поиска, презентация (PDF). 2015. ФУПМ МФТИ.
  17. Газизуллина Римма Камилевна. Построение композиций прогностический моделей и оценка качества прогноза временных рядов, презентация (PDF). 2015. ФУПМ МФТИ.
  18. Карасиков Михаил Евгеньевич. Классификация временных рядов в пространстве параметров порождающих моделей, презентация (PDF). 2015. ФУПМ МФТИ.
  19. Перекрестенко Дмитрий Олегович. Анализ статистической и структурной сложности суперпозиции нейронных сетей, презентация (PDF). 2014. ФУПМ МФТИ.
  20. Митяшов Андрей Андреевич. Предметно-экспертные ограничения для штрафной функции elastic-net в случае логистической регрессии, презентация (PDF). 2014. ФУПМ МФТИ.
  21. Катруца Александр Михайлович. Анализ мультиколлинеарности при выборе признаков, презентация (PDF). 2014. ФУПМ МФТИ.
  22. Стенина (Медведникова) Мария Михайловна. Построение интегральных индикаторов по частично упорядоченным множествам экспертных оценок, презентация (PDF). 2013. ФУПМ МФТИ.
  23. Кузьмин Арсентий Александрович. Проверка адекватности тематических моделей коллекции документов, презентация (PDF). 2013. ФУПМ МФТИ.
  24. Варфоломеева Анна Андреевна. Методы структурного обучения для построения прогностических моделей, презентация (PDF). 2013. ФУПМ МФТИ.
  25. Адуенко Александр Александрович. Совместный выбор объектов и признаков при построении моделей в задачах банковского скоринга, презентация (PDF). 2013. ФУПМ МФТИ.
  26. Кузнецов Михаил Павлович. Уточнение экспертных оценок с помощью измеряемых данных, презентация (PDF). 2011. ФУПМ МФТИ.

Репозитории алгоритмов

Научные интересы

  • Теория категорий в распознавании образов

"Я приветствую полугруппу, где бы я ее ни встретил, а встречается она повсюду. Впрочем, от друзей я слышал, что в математике попадаются объекты, отличные от полугрупп" (Эйнар Хилле). Умение видеть алгебраические структуры при решении прикладных задач избавляет исследователя от необходимости изобретать велосипед и показывает, что отнюдь не все измеряемые данные погружены в привычное евклидово пространство. Описанием (а точнее — обобщением и специализацией) различных алгебраических структур занимается теория категорий. "Язык категорий воплощает 'социологический' подход к математическому объекту: группа или пространство рассматривается не как множество с внутренне присущей ему структурой, но как член сообщества себе подобных" (Ю.И. Манин). Сейчас язык теории категорий активно используется в математической физике — там, где модели, описывающие физические процессы, весьма сложны. Применение этого языка при решении прикладных задач распознавания образов позволит получить ясные содержательные определения в сложных ситуациях.

  • Индуктивное порождение и выбор регрессионных моделей

Задачи отыскания регрессионных зависимостей являются большой самостоятельной областью и, кроме этого, появляются в качестве элементов задач распознавания образов. Задачи восстановления регрессии отличаются от задач классификации тем, что на первые наложено требование непрерывности отображения. Задачи восстановления регрессии включают в себя принципы информационного и математического моделирования. Согласно принципам информационного моделирования, в тех случаях, когда нет информации о том, какую модель предпочесть, целесообразно выполнить поиск оптимальной модели в фиксированном или индуктивно порождаемом классе моделей. Согласно принципам математического моделирования, полученная модель должна быть объяснимой с точки зрения эксперта; также модель должна быть несложной и достаточно точной. Найти модель, которая бы отвечала стольким требованиям, очень непросто.

  • Интегральные индикаторы и экспертные оценки

Интегральный индикатор (рейтинг) — наиболее информативная оценка качества или эффективности сравнимого набора объектов. Для построения интегрального индикатора требуется выбрать и настроить модель — свертку набора частных показателей, каждый из которых характеризует какую-либо одну сторону понятия «качество» или «эффективность». С другой стороны, эксперты могут построить интегральный индикатор набора объектов, опираясь на собственные знания. Однако такой индикатор сложно обосновать. Существуют методы, в которых модели объективизируют экспертные оценки, а экспертные оценки, в свою очередь, позволяют выбирать адекватные модели.

Сотрудничество с журналами Elsevier

  • Mathematical and Computer Modelling
  • Journal of Computational and Applied Mathematics
  • Computers and Mathematics with Applications
  • Energy
  • Journal of Computational and Applied Mathematics
  • Communications in Nonlinear Science and Numerical Simulation
  • Energy for Sustainable Development

Каталоги

  • ВАК 05.13.17 — Теоретические основы информатики
  • ГРНТИ 27.47.23. — Математические проблемы искусственного интеллекта

Инструменты

Черновики

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Strijov»
Личные инструменты