Участник:Alipatova
Материал из MachineLearning.
(→Отчет о научно-исследовательской работе) |
|||
| Строка 1: | Строка 1: | ||
Липатова Анна Николаевна, | Липатова Анна Николаевна, | ||
| - | ФУПМ, | + | ФУПМ, 175 группа. |
annlip1994@gmail.com | annlip1994@gmail.com | ||
Версия 14:43, 14 сентября 2016
Липатова Анна Николаевна,
ФУПМ, 175 группа.
annlip1994@gmail.com
Содержание |
Отчет о научно-исследовательской работе
Весна 2016, 10-й семестр
Оптимизация поиска в базе биометрических эталонов методами кластеризации (научный руководитель: Матвеев И. А.)
Рассматривается задача оптимизации поиска в базе биометрических эталонов методами кластеризации. Состояние НИР: Изучена литература по теме. Реализованы и проведены вычислительные эксперименты на биометрических данных с использованием библиотеки Маска. Реализована программа по построению маски iris-кода для базы данных. В дальнейшем планируется реализация и доработка алгоритма быстрого поиска соответствия изображения радужной оболочки в базе данных, проведение вычислительного эксперимента на реальных данных и улучшение алгоритма поиска
Отчет о научно-исследовательской работе
Осень 2016, 9-й семестр
Оптимизация поиска в базе биометрических эталонов методами кластеризации (научный руководитель: Матвеев И. А.)
Рассматривается задача оптимизации поиска в базе биометрических эталонов методами кластеризации. Состояние НИР: Изучена литература по теме, реализованы и проведены вычислительные эксперименты на биометрических данных следующими иерархическими алгоритмами кластеризация: кластеризация методом “ближайшего соседа” , кластеризация методом “дальнего соседа”, кластеризация методом “средней связи”, центроидный алгоритм и алгоритм Уорда.
Бакалаврская диссертация
Весна 2015, 8-й семестр
Выделение мультиграммных признаков в задачах классификации символьных последовательностей (научный руководитель: Воронцов К. В.)
Рассматривается задача бинарной классификации символьных последовательностей. Применяется наивный байесовский классификатор, производится отбор признаков для повышения качества классификации и подбора модели оптимальной сложности. Особенностью данной работы является исследование предложенного нового метода классификации символьные последовательностей. В работе предложен новый метод классификации символьных последовательностей, а также алгоритм, соединяющий новый подход с ранее известным. Результаты экспериментов на реальных данных показали, что в некоторых случаях предложенный алгоритм улучшает качество классификации по сравнению с известным ранее.
Бакалаврская диссертация
Выделение мультиграммных признаков в задачах классификации символьных последовательностей (научный руководитель: Воронцов К. В.)
Отчет о научно-исследовательской работе
Осень 2014, 7-й семестр
Исследование переобучения линейных классификаторов (научный руководитель: Воронцов К. В.)
Рассматривается явление переобучения линейных классификаторов. Разработан инструмент для эмпирического исследования переобучения линейных классификаторов в задачах медицинской диагностики.
Отчет о научно-исследовательской работе
Весна 2014, 6-й семестр
Одновременная кластеризация набора временных рядов и соответствующих им прогностический моделей (научный руководитель: Стрижов В. В.)
Рассматривается задача одновременной кластеризации набора временных рядов и прогностических моделей при выборе модели прогнозирования. Вводится понятие структуры связи между рядами, временные ряды исследуются на наличие связей различной структуры. Предполагается наличие первоначальной кластеризации набора временных рядов, основанной на экспертных оценках. Проводится поиск структуры связи, наиболее согласованной со мнением эксперта. Предложен алгоритм одновременной кластеризации набора временных рядов и прогностических моделей на основе расстояний между прогнозами временных рядов
Подготовлена статья
А. Н. Липатова, А. П. Мотренко, В.В. Стрижов Одновременная кластеризация набора временных рядов и соответствующих им прогностических моделей // будет подано в JMLDA.
