Участник:Kropotov
Материал из MachineLearning.
(Различия между версиями)
(+ картинки для gridrvm) |
(+ картинка sinc) |
||
| Строка 23: | Строка 23: | ||
==== Обобщенные линейные модели ==== | ==== Обобщенные линейные модели ==== | ||
| - | Реализация под MatLab ряда классических алгоритмов решения задач классификации и регрессии на основе обобщенных линейных моделей, таких как байесовская линейная/логистическая регрессия, метод релевантных векторов и вариационный метод релевантных векторов. Эти алгоритмы просты в использовании и, как правило, обладают высокой скоростью работы. С их помощью можно решать задачи классификации и регрессии, а также осуществлять отбор значимых признаков. | + | {| style="border:0px;" |
| + | |- | ||
| + | | valign = "top" | Реализация под MatLab ряда классических алгоритмов решения задач классификации и регрессии на основе обобщенных линейных моделей, таких как байесовская линейная/логистическая регрессия, метод релевантных векторов и вариационный метод релевантных векторов. Эти алгоритмы просты в использовании и, как правило, обладают высокой скоростью работы. С их помощью можно решать задачи классификации и регрессии, а также осуществлять отбор значимых признаков. | ||
Скачать: [[Media:Glm_105.RAR|glm V1.05 (RAR, 243 Кб)]] | Скачать: [[Media:Glm_105.RAR|glm V1.05 (RAR, 243 Кб)]] | ||
| + | |||
| + | | valign = "top" | [[Изображение:sinc_rvr.jpg|300px|thumb|Пример решения задачи регрессии: восстановление зашумленной функции sinc]] | ||
| + | |} | ||
==== Табулярный метод релевантных векторов ==== | ==== Табулярный метод релевантных векторов ==== | ||
Версия 12:20, 11 января 2011
| Кропотов Дмитрий Александрович
м.н.с. Вычислительного Центра РАН |
Научные интересы
Байесовские методы машинного обучения, методы обучения и вывода в графических моделях, практический интеллектуальный анализ данных
Публикации
Список публикаций см. здесь.
Программные реализации
Обобщенные линейные модели
| Реализация под MatLab ряда классических алгоритмов решения задач классификации и регрессии на основе обобщенных линейных моделей, таких как байесовская линейная/логистическая регрессия, метод релевантных векторов и вариационный метод релевантных векторов. Эти алгоритмы просты в использовании и, как правило, обладают высокой скоростью работы. С их помощью можно решать задачи классификации и регрессии, а также осуществлять отбор значимых признаков.
Скачать: glm V1.05 (RAR, 243 Кб) |  |
Табулярный метод релевантных векторов
| Реализация под MatLab алгоритма решения задач классификации и регрессии с т.н. табулярными данными. В таких задачах каждый объект выборки представлен своей матрицей признаков, и представляет интерес поиск информативных строк и столбцов в этой матрице. Реализованный алгоритм — это вариационный метод релевантных векторов для табулярных данных, описанный в статье (Kropotov et al., 2010).
Скачать: gridrvm V1.00 (RAR, 158 Кб) |  |  |
Смесь нормальных распределений
| Реализация под MatLab алгоритма решения задачи кластеризации с помощью восстановления смеси нормальных распределений. Количество восстанавливаемых компонент смеси может быть определено автоматически с помощью скользящего контроля или с помощью подхода автоматического определения релевантности, описанного в статье (Vetrov et al., 2010).
Скачать: gmm V1.01 (RAR, 73 Кб) |  |  |
Реализации выполнены при поддержке РФФИ (проекты 09-01-12060, 09-01-92474).
Учебные курсы
Спецкурс «Байесовские методы машинного обучения»
Спецкурс «Структурные методы анализа изображений и сигналов»
Спецсеминар «Байесовские методы машинного обучения»
