Участник:Voronov
Материал из MachineLearning.
(→Весна 2014, 8-й семестр) |
м (→Весна 2014, 8-й семестр) |
||
| Строка 59: | Строка 59: | ||
'''Комбинирование тематических моделей и логистической регрессии для классификации научных документов''' | '''Комбинирование тематических моделей и логистической регрессии для классификации научных документов''' | ||
| - | ''В работе решается задача классификации несбалансированной коллекции документов на научные и ненаучные. Вручную построена система признаков для обучения классификатора в случае несбалансированных классов. Предложены алгоритмы автоматической и полуавтоматической генерации признаков документов. Для полуавтоматической генерации признаков используется тематическиая модель классификации. Автоматическая генерация признаков работает на основе гибрида | + | ''В работе решается задача классификации несбалансированной коллекции документов на научные и ненаучные. Вручную построена система признаков для обучения классификатора в случае несбалансированных классов. Предложены алгоритмы автоматической и полуавтоматической генерации признаков документов. Для полуавтоматической генерации признаков используется тематическиая модель классификации. Автоматическая генерация признаков работает на основе гибрида логистической регрессии и тематической модели. Проведен эксперимент на коллекции документов, полученных из сети Интернет, и сделан вывод о том, что полученные признаки улучшают качество классификации.'' |
'''Публикации''' | '''Публикации''' | ||
Воронов C.О, Воронцов К.В. Комбинирование тематических моделей и логистической регрессии для классификации научных документов // JMLDA (подготовка к подаче) | Воронов C.О, Воронцов К.В. Комбинирование тематических моделей и логистической регрессии для классификации научных документов // JMLDA (подготовка к подаче) | ||
Версия 20:39, 24 августа 2014
МФТИ, ФУПМ, 074
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
Mailto: rdkl.hrd@gmail.com
Содержание |
Отчеты о научно-исследовательской работе
Весна 2013, 6-й семестр
Алгоритм генетического программирования для решения задачи прогнозирования
В работе исследовано автоматическое порождение прогнозирующих моделей. Предложен алгоритм для решения задачи моделирования улыбки волатильности биржевых опционов. В основе алгоритма лежат идеи алгоритмов генетического и аналитического программирования. Проведен вычислительный эксперимент; найдена модельная функция волатильности.
Публикация
Воронов C.О. Алгоритм генетического программирования для решения задачи прогнозирования // Machinelearning.ru, 2013.
Осень 2013, 7-й семестр
Распознавание текста на изображениях
В работе решается задача локализации текста на изображении. Для нахождения символов на изображении производится поиск экстремальных областей (ER). Используется классификатор, который производит отбор наиболее похожих на текст ER. Качество нахождения позиций текста оценивается по количеству правильно локализованных положений.
Публикация
Воронов С.О. Распознавание текста на изображениях: технический отчет // Вычислительный сервер журнала "Машинное обучение и анализ данных" [Электронный ресурс] URL: mvr.jmlda.org (дата обращения: 26.12.2013).
Построение обучаемого алгоритма распознавания научного контента в сети Интернет
В работе исследованы методы классификации текстовых документов на научные и ненаучные. Предложены признаки, позволяющие наилучшим образом обучить SVM-классификатор для выявления научных материалов среди текстовых документов. Кроме того, исследовано влияние параметров классификатора на количество ошибок на контроле. Написано приложение, умеющее обучаться и искать наиболее значимые признаки.
Доклад на научной конференции
Воронов С.О. Построение обучаемого алгоритма распознавания научного контента в сети Интернет // Труды 56-й научной конференции МФТИ. — 2013. — Управление и прикладная математика. Т. 1. — С. 104—105.
Аддитивно регуляризованные тематические модели
Разработана структура будущего приложения.
Весна 2014, 8-й семестр
Комбинирование тематических моделей и логистической регрессии для классификации научных документов
В работе решается задача классификации несбалансированной коллекции документов на научные и ненаучные. Вручную построена система признаков для обучения классификатора в случае несбалансированных классов. Предложены алгоритмы автоматической и полуавтоматической генерации признаков документов. Для полуавтоматической генерации признаков используется тематическиая модель классификации. Автоматическая генерация признаков работает на основе гибрида логистической регрессии и тематической модели. Проведен эксперимент на коллекции документов, полученных из сети Интернет, и сделан вывод о том, что полученные признаки улучшают качество классификации.
Публикации
Воронов C.О, Воронцов К.В. Комбинирование тематических моделей и логистической регрессии для классификации научных документов // JMLDA (подготовка к подаче)
