Участник:Podkopaevalex
Материал из MachineLearning.
(→Отчет о научно-исследовательской работе) |
(→Отчет о научно-исследовательской работе) |
||
(5 промежуточных версий не показаны.) | |||
Строка 11: | Строка 11: | ||
'''Весна 2015, 6-й семестр''' | '''Весна 2015, 6-й семестр''' | ||
- | ''' | + | |
+ | '''Прогнозирование структур белков методами полуопределенного программирования''' | ||
''В данной статье рассматривается задача предсказания упаковки белковых молекул в мультимерный комплекс в приближении жестких тел. Для решения поставленной задачи предлагается использовать методы выпуклой оптимизации, например, полуопределенные релаксации. Недостатком большинства существующих алгоритмов (жадных алгоритмов и других) является их вычислительная сложность. В данной работе предлагаются алгоритмы меньшей вычислительной сложности, полученные в результате применения теории графов. Основным результатом является оценка их качества, сравнение с алгоритмами, использовавшимися ранее. | ''В данной статье рассматривается задача предсказания упаковки белковых молекул в мультимерный комплекс в приближении жестких тел. Для решения поставленной задачи предлагается использовать методы выпуклой оптимизации, например, полуопределенные релаксации. Недостатком большинства существующих алгоритмов (жадных алгоритмов и других) является их вычислительная сложность. В данной работе предлагаются алгоритмы меньшей вычислительной сложности, полученные в результате применения теории графов. Основным результатом является оценка их качества, сравнение с алгоритмами, использовавшимися ранее. | ||
Строка 18: | Строка 19: | ||
'''Публикация''' | '''Публикация''' | ||
- | ''Подкопаев А. С., Максимов Ю. В.'' | + | ''Подкопаев А. С., Карасиков М. Е., Максимов Ю. В.'' Прогнозирование структур белков методами полуопределенного программирования // «Труды МФТИ», том 7, № 4(28), 2015 (опубликована) |
+ | |||
+ | |||
+ | |||
+ | '''Осень 2015, 7-й семестр''' | ||
+ | |||
+ | |||
+ | '''Time Complexity of Structural Risk Minimization''' | ||
+ | |||
+ | ''В данной работе рассматривается задача обучения по прецедентам. Пусть задана обучающая выборка, на которой известны значения меток классов. Пусть также классификаторы принадлежат некоторому семейству. В соответствии со стандартной постановкой, требуется из данного семейства выбрать тот классификатор, который будет наилучшим образом аппроксимировать целевую зависимость. В данной статье будет рассмотрены особенности работы оптимизационных алгоритмов (а точнее, учет их вычислительной сложности и точности) при решении задач обучения по прецедентам. | ||
+ | '' | ||
+ | |||
+ | '''Технический отчет''' | ||
+ | |||
+ | ''Подкопаев А. С.'' [http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group274/Podkopaev2015TimeComplexity/doc/Podkopaev2015SystemDocs.docx?format=raw Time Complexity of Structural Risk Minimization] // Сервер вычислительных экспериментов mvr.jmlda.org |
Текущая версия
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
podkopaev@phystech.edu
Отчет о научно-исследовательской работе
Весна 2015, 6-й семестр
Прогнозирование структур белков методами полуопределенного программирования
В данной статье рассматривается задача предсказания упаковки белковых молекул в мультимерный комплекс в приближении жестких тел. Для решения поставленной задачи предлагается использовать методы выпуклой оптимизации, например, полуопределенные релаксации. Недостатком большинства существующих алгоритмов (жадных алгоритмов и других) является их вычислительная сложность. В данной работе предлагаются алгоритмы меньшей вычислительной сложности, полученные в результате применения теории графов. Основным результатом является оценка их качества, сравнение с алгоритмами, использовавшимися ранее.
Публикация
Подкопаев А. С., Карасиков М. Е., Максимов Ю. В. Прогнозирование структур белков методами полуопределенного программирования // «Труды МФТИ», том 7, № 4(28), 2015 (опубликована)
Осень 2015, 7-й семестр
Time Complexity of Structural Risk Minimization
В данной работе рассматривается задача обучения по прецедентам. Пусть задана обучающая выборка, на которой известны значения меток классов. Пусть также классификаторы принадлежат некоторому семейству. В соответствии со стандартной постановкой, требуется из данного семейства выбрать тот классификатор, который будет наилучшим образом аппроксимировать целевую зависимость. В данной статье будет рассмотрены особенности работы оптимизационных алгоритмов (а точнее, учет их вычислительной сложности и точности) при решении задач обучения по прецедентам.
Технический отчет
Подкопаев А. С. Time Complexity of Structural Risk Minimization // Сервер вычислительных экспериментов mvr.jmlda.org