Участник:Aleksandra.Tokmakova

Материал из MachineLearning.

Перейти к: навигация, поиск

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

Mailto: aleksandra-tok@yandex.ru

Отчет о научно-исследовательской работе за 6 семестр

Название

Выделение периодической компоненты из временного ряда

Аннотация

В проекте исследуется временной ряд на наличие периодической компоненты. На основе теории о рядах Фурье строится тригонометрическая интерполяция предложенных временных рядов методом наименьших квадратов. Также производится оценка параметров функции метода наименьших квадратов в зависимости от качества прогнозирования. В вычислительном эксперименте приводятся результаты работы корреляционной функции и метода наименьших квадратов на зашумлённом модельном синусе и реальном временном ряде электрокардиограммы.

Ключевые слова: корреляционная функция, тригонометрическая интерполяция, метод наименьших квадратов, периодическая компонента.

Публикации

  1. А.А.Токмакова Выделение периодической компоненты из временного ряда // Машинное обучение и анализ данных. — 2011. — № 1. — С. 40-50. — ISSN 2223-3792.
BibTeX: 
 @article{Tokmakova2011Periodic,
   author = "А.А.Токмакова",
   title = "Выделение периодической компоненты из временного ряда",
   journal = "Машинное обучение и анализ данных",
   number = "1",
   pages = "40-50",
   url = "https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Tokmakova2011Periodic",
   year = "2011",
   language = russian
 }

Отчет о научно-исследовательской работе за 7 семестр

Название

Получение устойчивых оценок гиперпараметров линейных регрессионных моделей

Аннотация

В работе решается задача отбора признаков при восстановлении линейной регрессии. Принята гипотеза о~нормальном распределении вектора зависимой переменной и~параметров модели. Для оценки ковариационной матрицы параметров используется аппроксимация Лапласа: логарифм функции ошибки приближается функцией нормального распределения. Исследуется проблема присутствия в выборке шумовых и~коррелирующих признаков, так как при их наличии матрица ковариаций параметров модели становится вырожденной. Предлагается алгоритм, производящий отбор информативных признаков. В вычислительном эксперименте приводятся результаты исследования на временном ряде.

Ключевые слова: байесовский вывод, ковариационная матрица, гиперпараметры модели, отбор признаков, регрессия.

Публикации

  1. А.А.Токмакова Получение устойчивых оценок гиперпараметров линейных регрессионных моделей // Машинное обучение и анализ данных. — 2011. — № 2. — С. 140-155. — ISSN 2223-3792.
BibTeX: 
 @article{Tokmakova2011HyperPar,
   author = "А.А.Токмакова",
   title = "Получение устойчивых оценок гиперпараметров линейных регрессионных моделей",
   journal = "Машинное обучение и анализ данных",
   number = "2",
   pages = "140-155",
   url = "https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Zaytsev2012MasThesis/Tokmakova2011HyperPar",
   year = "2011",
   language = russian
 }
  1. А.А.Токмакова и А.А.Зайцев Оценивание гиперпараметров линейных регрессионных моделей при отборе шумовых и коррелирующих признаков // Информатика и её применения. — 2012. — № 4. — ISSN 1992-2264.
BibTeX: 
 @article{Tokmakova2011Hyperpar,
   author = "А.А.Токмакова и А.А.Зайцев",
   title = "Оценивание гиперпараметров линейных регрессионных моделей при отборе шумовых и коррелирующих признаков",
   journal = "Информатика и её применения",
   number = "4",
   year = "2012",
   language = russian
 }

Отчет о научно-исследовательской работе за 8 семестр

Название

Оценка гиперпараметров линейных регрессионных моделей методом максимального правдоподобия при отборе шумовых и коррелирующих признаков

Аннотация

Рассматривается задача выбора регрессионной модели. Предполагается, что вектор параметров модели − многомерная случайная величина с независимо распределёнными компонентами. В работе предложен способ оптимизации праметров и гиперпараметров. Приведены явные оценки гиперпараметров для случая линейных и нелинейных моделей. Показано как полученные оценки используются для отбора признаков. Предложенный подход сравнивается с подходом, использующим для лценки гиперпараметров аппроксимацию Лапласа.

Ключевые слова: регрессия, выбор признаков, распределение параметров, оценка гипертараметров, байесовский вывод.

Публикации

  1. А.А.Токмакова и А.А.Зайцев Оценка гиперпараметров регрессионных моделей методом максимального правдоподобия // Информационные технологии. — 2012. — № 4. — ISSN 1684-6400.
BibTeX: 
 @article{ZaytsevTokmakova2012Likelihood,
   author = "А.А.Токмакова и А.А.Зайцев",
   title = "Оценка гиперпараметров регрессионных моделей методом максимального правдоподобия",
   journal = "Информационные технологии",
   number = "4",
   year = "2012",
   language = russian
 }
  1. А.А.Токмакова и А.А.Зайцев Оценка гиперпараметров линейных регрессионных моделей методом максимального правдоподобия при отборе шумовых и коррелирующих признаков // Машинное обучение и анализ данных. — 2012. — № 3. — С. 347-353. — ISSN 2223-3792.
BibTeX: 
 @article{Tokmakova2012Hyperpar,
   author = "А.А.Токмакова и А.А.Зайцев",
   title = "Оценка гиперпараметров линейных регрессионных моделей методом максимального правдоподобия при отборе шумовых и коррелирующих признаков",
   journal = "Машинное обучение и анализ данных",
   number = "3",
   pages = "347-353",
   url = "https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Zaytsev2012MasThesis/True_likelihood",
   year = "2012",
   language = russian
 }

Доклады на научных конференциях

2012, апрель. Участие в XIX Международной конференции студентов, аспирантов и молодых ученых «Ломоносов» с работой «Оценка ковариационных матриц параметров модели при восстановлении линейной регрессии»

Гранты

«Оценивание гиперпараметров линейных регрессионных моделей при отборе шумовых и коррелирующих признаков», ПГАС

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Aleksandra.Tokmakova»
Личные инструменты