Участник:Kropotov

Материал из MachineLearning.

Текущая версия

Кропотов Дмитрий Александрович

Научные интересы

• Байесовские методы машинного обучения
• Методы обучения и вывода в графических моделях
• Методы оптимизации в машинном обучении
• Практический интеллектуальный анализ данных

Избранные публикации

• Кропотов Д.А. Эффективный метод обучения L1-регуляризованной байесовской линейной регрессии, ИОИ-2012 link
• D. Kropotov, D. Vetrov, L. Wolf, T. Hassner. Variational Relevance Vector Machine for Tabular Data // ACML 2010. link
• A. Osokin, D. Vetrov, D. Kropotov. 3D Reconstruction of Mouse Brain from a Sequence of 2D Brain Slices in Application to Allen Brain Atlas // Lecture Notes in Bioinformatics, Vol. 6160, Springer, 2010, pp. 291-303. link
• Ветров Д.П., Кропотов Д.А., Осокин А.А. Автоматическое определение количества компонент в ЕМ-алгоритме восстановления смеси нормальных распределений // ЖВМиМФ, т. 50, №4, 2010, с. 1-14. link
• Ветров Д.П., Кропотов Д.А. Алгоритм множественного трекинга лабораторных животных // ММРО-2009. (PDF, 832 Кб)
• D.Kropotov, D.Vetrov. General Solutions for Information-Based and Bayesian Approaches to Model Selection in Linear Regression and Their Equivalence // PRIA, Vol. 19, No. 3, 2009, pp. 447-455. link
• E.Lomakina-Rumyantseva, P.Voronin, D.Kropotov, D.Vetrov, A.Konushin. Video Tracking and Behaviour Segmentation of Laboratory Rodents // PRIA, Vol. 19, No. 4, 2009, pp. 616-622. link
• D. Kropotov, D. Vetrov. An Automatic Relevance Determination Procedure Based on Akaike Information Criterion for Linear Regression Problems // ICML Workshop on Sparse Optimization and Variable Selection, 2008. link
• Kropotov D., Vetrov D. On One Method of Non-Diagonal Regularization in Sparse Bayesian Learning // ICML 2007. link
• Васильев О.М., Ветров Д.П., Кропотов Д.А. Представление и обнаружение знаний в экспертных системах для задач распознавания образов // ЖВМиМФ, том 47, №8, 2007 link

Учебные курсы

• Курс «Байесовские методы машинного обучения»
  
• Курс «Графические модели»
  
• Курс «Математические основы теории прогнозирования»
  
• Курс «Прикладная алгебра»
  
• Спецкурс «Методы оптимизации в машинном обучении»
  
• Спецсеминар «Байесовские методы машинного обучения»