Участник:Perekrestenko

Материал из MachineLearning.

Версия 11:28, 4 декабря 2013

Перекрестенко Дмитрий Олегович

МФТИ, ФУПМ, 074

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

email: dmitry.perekrestenko@phystech.edu

Отчет о научно-исследовательской работе

Весна 2013, 6-й семестр

Порождение нейронных сетей с экспертно-заданными функциями активации

В данной работе исследуются возможности нейронных сетей, основанных на различных алгоритмах обучения, в применении к задачам прогнозирования временных рядов. Анализируется алгоритм Deep Learning и его конкуренты - многослойная сеть с градиентным методом обучения и Madaline. В вычислительном эксперименте сравниваются результаты работы нового алгоритма со стандартным методом обучения -- градиентным спуском, для одно- двух- и трехслойных нейронных сетей. Работа алгоритмов проилюстрирована на задаче прогнозирования объемов потребления и цен на электроэнергию, а также на синтетических данных. Приведены выводы о целесообразности применения алгоритмов Deep Learning к некоторым классам задач.

Публикация

Перекрестенко Д.О. Порождение нейронных сетей с экспертно-заданными функциями активации // Machinelearning.ru , 2013.

Отчет о научно-исследовательской работе

Весна 2013, 7-й семестр

Human activity recognition

In this paper deep learning methods are applied to accelerometer data and evaluated on movement classification task. Basis features of accelerometer time series are detected by sparse autoencoder. Neural network is optimized by optimal brain damage algorithm. In the experiment deep learning is compared with softmax regression. The algorithms are tested on synthetic and real data

Publication

Perekrestenko D. Порождение нейронных сетей с экспертно-заданными функциями активации // Machinelearning.ru , 2013.