Участник:LyubovLeonteva
Материал из MachineLearning.
(→Отчет о научно-исследовательской работе) |
(→Отчет о научно-исследовательской работе) |
||
| Строка 66: | Строка 66: | ||
<big>'''Весна 2013, 10-й семестр'''</big> | <big>'''Весна 2013, 10-й семестр'''</big> | ||
| + | |||
| + | ''Решается задача одноклассовой классификации электронных писем на предмет наличия в них спама. В работе вводится квазивероятностная модель для классической эмпирической постановки задачи одноклассовой классификации и производится сведение классического подхода к новой модели. Построенные методы классификации проверяются вычислительными экспериментами на модельных и реальных данных.'' | ||
'''Публикации''' | '''Публикации''' | ||
Версия 17:49, 26 августа 2013
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
liubov.sanduleanu@gmail.com
Отчет о научно-исследовательской работе
Весна 2011, 6-й семестр
Многомерная гусеница, выбор длины и числа компонент
В работе описывается метод гусеницы (SSA) и его применение для прогнозирования временных рядов. Алгоритм основан на выделении из изучаемого временного ряда некоторого набора его главных компонент и последующего построения прогноза по выбранному набору. Исследуется зависимость точности прогноза от выбора длины гусеницы и числа ее компонент. В вычислительном эксперименте приводятся результаты работы алгоритма на периодических рядах с разным рисунком внутри периода, на рядах с нарушением периодичности, а так же на реальных рядах почасовой температуры в Москве.
Публикация
Л.Н.Леонтьева Многомерная гусеница, выбор длины и числа компонент // Машинное обучение и анализ данных. — 2011. — № 1. — С. 2-10. — ISSN 2223-3792 (опубликовано).
Осень 2011, 7-й семестр
Выбор признаков в авторегрессионных задачах прогнозирования
Исследуется проблема выбора модели оптимальной сложноcти при авторегрессионном прогнозировании. Задача состоит в отыскании наименне обусловленного набора признаков, доставляющего при этом заданное значение функции ошибки. Для выбора этого набора используется модифицированный алгоритм последовательного добавления и удаления признаков. В работе предложен метод поиска оптимальной модели прогнозирования временных рядов. В вычислительном эксперименте приведено сравнение прогнозов рядов почасовых цен на электроэнергию.
Публикации
Л.Н.Леонтьева Выбор моделей прогнозирования цен на электроэнергии // Машинное обучение и анализ данных. — 2011. — № 2. — С. 129-139. — ISSN 2223-3792(опубликовано).
Л.Н.Сандуляну, В.В.Стрижов Выбор признаков в авторегрессионных задачах прогнозирования// Информационные технологии. — 2012. — № 6. — ISSN 1684-6400(принято в печать).
Весна 2012, 8-й семестр
Последовательный выбор признаков при восстановлении регрессии
Исследуется проблема оптимальной сложности модели в связи с ее точностью и устойчивостью. Задача состоит в нахождении наиболее информативного набора признаков в условиях их высокой мультиколлинеарности. Для выбора оптимальной модели используется модифицированный алгоритм шаговой регрессии, являющийся одним из алгоритмов добавления и удаления признаков. Для описания работы пошагового алгоритма предложена модель $n$-мерного куба. Проанализированы величины матожидания и дисперсии функции ошибки.
Публикация
Л.Н.Леонтьева Последовательный выбор признаков при восстановлении регрессии // Машинное обучение и анализ данных. — 2012. — № 3. — С. 63-74. — ISSN 2223-3792(опубликовано).
Грант «Выбор признаков в авторегрессионных задачах прогнозирования», ПГАС
Осень 2012, 9-й семестр
Вероятностная модель одноклассовой классификации
Решается задача одноклассовой классификации электронных писем на предмет наличия в них спама. В работе вводится квазивероятностная модель для классической эмпирической постановки задачи одноклассовой классификации и производится сведение классического подхода к новой модели. Построенные методы классификации проверяются вычислительными экспериментами на модельных и реальных данных.
Публикация
М.О.Бурмистров, Л.Н.Сандуляну Вероятностная модель одноклассовой классификации // Машинное обучение и анализ данных. — 2012. — № 4. — С. . — ISSN 2223-3792(опубликовано).
Грант «Вероятностная модель одноклассовой классификации», ПГАС
Весна 2013, 10-й семестр
Решается задача одноклассовой классификации электронных писем на предмет наличия в них спама. В работе вводится квазивероятностная модель для классической эмпирической постановки задачи одноклассовой классификации и производится сведение классического подхода к новой модели. Построенные методы классификации проверяются вычислительными экспериментами на модельных и реальных данных.
Публикации
М.О.Бурмистров, Л.Н.Сандуляну Байесовский подходк построению одноклассового классификатора в задаче фильтрации нежелательной почты // Известия Тульского государственного университета - 2013.
Участия в конференциях
Вероятностная модель одноклассовой классификации // Ломоносов-2013.
