Моя первая научная статья (лекции и практика)/Сборник, весна 2023
Материал из MachineLearning.
(Различия между версиями)
Строка 1: | Строка 1: | ||
{{Main|Численные методы обучения по прецедентам (практика, В.В. Стрижов)}} | {{Main|Численные методы обучения по прецедентам (практика, В.В. Стрижов)}} | ||
+ | ===Задача 112=== | ||
+ | * '''Название:''' ECoG - video | ||
+ | * '''Авторы:''' Эксперт Грабовой, консультант - | ||
- | ===Задача | + | ===Задача 113=== |
- | * '''Название:''' | + | * '''Название:''' ECoG - audio |
- | * ''' | + | * '''Авторы:''' Эксперт Грабовой, консультант - |
- | * ''' | + | |
- | * '''Данные:''' | + | ===Задача 114=== |
+ | * '''Название:''' * '''Название:'''Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений | ||
+ | * '''Описание проблемы:''' Породить набор сверток по имеющимся данным и выбрать лучшую с помощью методов снижения порядка и размерности пространств. | ||
+ | * '''Данные:''' Потребление и цена электроэнергии, океанические течения, воздушные потоки | ||
* '''Литература''' | * '''Литература''' | ||
- | *# | + | *# |
- | * | + | * '''Базовый алгоритм:''' Гусеница, тензорная гусеница. |
- | * | + | * '''Решение:''' Найти мультиериодический временной ряд, построить его тензорное представление, разложить в спектр, собрать, показать прогноз. |
- | * ''' | + | * '''Новизна:''' Показать, что мультилинейная модель является удобным способом построения сверток для измерений в пространстве и времени. |
- | * ''' | + | * '''Авторы:''' Эксперт - Стрижов, консультант - Моложавенко? |
- | * ''' | + | |
- | * '''Авторы:''' Эксперт, консультант - | + | ===Задача 115=== |
+ | * '''Название:''' Дистилляция знаний в глубоких сетях и выравнивание моделей | ||
+ | * | ||
+ | * '''Авторы:''' Эксперт Бахтеев, Стрижов, консультант - | ||
+ | |||
+ | ===Задача 116=== | ||
+ | * '''Название:''' Нейронные дифференциальные уравнения для моделирования физической активности – выбор моделей | ||
+ | * '''Авторы:''' Эксперт, консультант - Самохина | ||
+ | |||
+ | ===Задача 117=== | ||
+ | * '''Название:''' Поиск зависимости | ||
+ | * '''Авторы:''' Эксперт, консультант - Самохина | ||
+ | |||
+ | |||
+ | ===Задача 117=== | ||
+ | * '''Название:''' * '''Название:''' Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений | ||
+ | |||
+ | |||
+ | |||
+ | ===Задача 118=== | ||
+ | |||
+ | |||
+ | ===Задача 119=== | ||
+ | |||
+ | |||
+ | ===Задача 120=== | ||
+ | |||
+ | |||
+ | ===Задача 121=== | ||
+ | |||
+ | |||
+ | ===Задача 122=== |
Версия 19:03, 5 февраля 2023
Содержание |
Задача 112
- Название: ECoG - video
- Авторы: Эксперт Грабовой, консультант -
Задача 113
- Название: ECoG - audio
- Авторы: Эксперт Грабовой, консультант -
Задача 114
- Название: * Название:Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений
- Описание проблемы: Породить набор сверток по имеющимся данным и выбрать лучшую с помощью методов снижения порядка и размерности пространств.
- Данные: Потребление и цена электроэнергии, океанические течения, воздушные потоки
- Литература
- Базовый алгоритм: Гусеница, тензорная гусеница.
- Решение: Найти мультиериодический временной ряд, построить его тензорное представление, разложить в спектр, собрать, показать прогноз.
- Новизна: Показать, что мультилинейная модель является удобным способом построения сверток для измерений в пространстве и времени.
- Авторы: Эксперт - Стрижов, консультант - Моложавенко?
Задача 115
- Название: Дистилляция знаний в глубоких сетях и выравнивание моделей
- Авторы: Эксперт Бахтеев, Стрижов, консультант -
Задача 116
- Название: Нейронные дифференциальные уравнения для моделирования физической активности – выбор моделей
- Авторы: Эксперт, консультант - Самохина
Задача 117
- Название: Поиск зависимости
- Авторы: Эксперт, консультант - Самохина
Задача 117
- Название: * Название: Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений