Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)
Материал из MachineLearning.
(Различия между версиями)
(+ ссылки) |
(+ раздел см.также) |
||
Строка 40: | Строка 40: | ||
# Эвристические методы построения коллективных кластеризаций и практические алгоритмы | # Эвристические методы построения коллективных кластеризаций и практические алгоритмы | ||
# Методы восстановления регрессионных зависимостей по прецедентам, основанные на решении задач распознавания и дискретной оптимизации | # Методы восстановления регрессионных зависимостей по прецедентам, основанные на решении задач распознавания и дискретной оптимизации | ||
+ | |||
+ | == См. также == | ||
+ | Спецсеминар [[Спецсеминар "Прикладные методы прогнозирования и анализа данных"|«Прикладные методы прогнозирования и анализа данных»]]. | ||
+ | |||
+ | Личная страница [[Участник:Rvv|Рязанова В.В.]] | ||
[[Категория:Учебные курсы]] | [[Категория:Учебные курсы]] |
Версия 00:56, 26 марта 2010
В спецкурсе рассматриваются проблемы и методы кластерного анализа (подходы и алгоритмы кластеризации с известным и неизвестным числом кластеров, критерии кластеризации, вопросы устойчивости, построение оптимальных коллективных решений), новые подходы в регрессионном анализе, поиск зависимостей по прецедентам, практические применения в медицине, бизнесе и технике.
В весеннем семестре 2010 года спецкурс проходит на факультете ВМиК МГУ по вторникам в 18:00, ауд. 505.
Программа курса
Осенний семестр
- Задача распознавания (классификации) по прецедентам. Тупиковые тесты и их вычисление, случаи вещественных признаков.
- Логические модели распознавания (тестовый алгоритм, алгоритмы вычисления оценок, алгоритм «Кора», модели с представительными наборами, практические реализации).
- Формулы эффективного вычисления оценок.
- Оптимизация моделей распознавания. Релаксационный, комбинаторный и эвристические алгоритмы поиска максимальной совместной подсистемы системы линейных неравенств.
- Логические закономерности классов, эвристический критерий качества логических закономерностей.
- Сведение задачи поиска логических закономерностей классов к задаче целочисленного линейного программирования.
- Логические закономерности классов, стандартный критерий качества логических закономерностей и его оптимизация.
- Генетические методы поиска, генетический алгоритм поиска логических закономерностей классов.
- Веса признаков и прецедентов, логические корреляции. Минимизация признакового пространства.
- Логические описания классов. Минимальные и кратчайшие описания классов.
- Алгоритмы распознавания, основанные на голосовании по системам логических закономерностей, построение устойчивых на обучении оценок.
- Построение минимальных по сложности логических закономерностей классов.
- Гладкие аппроксимации логических закономерностей.
- Бинарные решающие деревья. Допустимые разбиения единичного куба.
- Алгоритм построения допустимого разбиения, представление допустимого разбиения бинарным решающим деревом.
- Прямые методы построения бинарных решающих деревьев, критерии ветвления.
Весенний семестр
- Задачи кластерного анализа, меры близости, функции подобия.
- Критерии качества кластеризации при заданном числе кластеров: дисперсионный и родственные критерии, основанные на матрицах рассеяния, след в качестве критерия, основанные на матрицах рассеяния, определитель матрицы внутригруппового рассеяния.
- Критерии кластеризации при неизвестном числе кластеров, меры концентрации.
- Итеративная оптимизация критериев кластеризации на примере дисперсионного критерия.
- Алгоритмы иерархической группировки.
- Критерии устойчивости кластеризаций и их вычисление
- Алгоритмы кластеризации, основанные на поиске центров сгущений (алгоритмы к-средних, нечетких к-средних, ФОРЕЛЬ, построения оптимальных покрытий).
- Эвристические алгоритмы кластеризации, алгоритмы «к-эталонов» и «взаимного поглощения».
- Восстановление компонент смеси по заданной обучающей выборке.
- Нейросетевые алгоритмы обучения и самообучения. Метод встречного распространения, сеть Хопфильда, алгоритмы Хэбба.
- Логические корректоры для решения задач классификации.
- Решение задач кластерного анализа коллективами алгоритмов, метод коллективных к-средних.
- Комитетный синтез коллективных кластеризаций, критерии качества коллективных кластеризаций.
- Нахождение оптимальных коллективных решений задачи кластерного анализа.
- Эвристические методы построения коллективных кластеризаций и практические алгоритмы
- Методы восстановления регрессионных зависимостей по прецедентам, основанные на решении задач распознавания и дискретной оптимизации
См. также
Спецсеминар «Прикладные методы прогнозирования и анализа данных».
Личная страница Рязанова В.В.