Участник:Kropotov
Материал из MachineLearning.
(Различия между версиями)
(→Учебные курсы) |
|||
| Строка 59: | Строка 59: | ||
== Учебные курсы == | == Учебные курсы == | ||
| - | Спецкурс [[ | + | Спецкурс [[Бммо|«Байесовские методы машинного обучения»]]<br> |
Спецкурс [[СМАИС|«Структурные методы анализа изображений и сигналов»]]<br> | Спецкурс [[СМАИС|«Структурные методы анализа изображений и сигналов»]]<br> | ||
Спецсеминар [[Спецсеминар "Байесовские методы машинного обучения"|«Байесовские методы машинного обучения»]] | Спецсеминар [[Спецсеминар "Байесовские методы машинного обучения"|«Байесовские методы машинного обучения»]] | ||
Версия 17:38, 10 февраля 2011
| Кропотов Дмитрий Александрович
м.н.с. Вычислительного Центра РАН |
Научные интересы
Байесовские методы машинного обучения, методы обучения и вывода в графических моделях, практический интеллектуальный анализ данных
Публикации
Список публикаций см. здесь.
Программные реализации
Обобщенные линейные модели
| Реализация под MatLab ряда классических алгоритмов решения задач классификации и регрессии на основе обобщенных линейных моделей, таких как байесовская линейная/логистическая регрессия, метод релевантных векторов и вариационный метод релевантных векторов. Эти алгоритмы просты в использовании и, как правило, обладают высокой скоростью работы. С их помощью можно решать задачи классификации и регрессии, а также осуществлять отбор значимых признаков.
Скачать: glm V1.05 (RAR, 243 Кб) |  |
Метод релевантных векторов для данных в виде многомерных массивов
| Реализация под MatLab алгоритма решения задач классификации и регрессии, в которых каждый объект выборки представлен многомерным массивом признаков (в частности, матрицей признаков), и представляет интерес поиск информативных строк в этом многомерном массиве. Реализованный алгоритм — это вариационный метод релевантных векторов для табулярных данных, описанный в статье (Kropotov et al., 2010).
Скачать: gridrvm V1.10 (RAR, 180 Кб) |  |  |
Смесь нормальных распределений
| Реализация под MatLab алгоритмов решения задачи кластеризации с помощью восстановления смеси нормальных распределений с использованием EM-алгоритма, а также вариационного подхода, описанного в книге (Bishop, 2006). Количество кластеров может быть определено автоматически по данным с помощью скользящего контроля или с помощью подхода на основе автоматического определения релевантности, описанного в статье (Vetrov et al., 2010). Применение вариационного подхода для восстановления смеси нормальных распределений также позволяет автоматически определить число кластеров в данных.
Скачать: gmm V1.10 (RAR, 102 Кб) |  |  |
Реализации выполнены при поддержке РФФИ (проекты 09-01-12060, 09-01-92474).
Учебные курсы
Спецкурс «Байесовские методы машинного обучения»
Спецкурс «Структурные методы анализа изображений и сигналов»
Спецсеминар «Байесовские методы машинного обучения»
