Участник:0xd34df00d
Материал из MachineLearning.
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
Mailto: 0xd34df00d@gmail.com
Отчеты о научно-исследовательской работе
Весна 2011, 6-й семестр
Выбор функции активации при прогнозировании нейронными сетями
Целью работы является исследование зависимости качества прогнозирования временных рядов нейронными сетями от параметров нейронной сети. В частности, анализируется зависимость от выбранной функции активации нейронов в сети, а также от параметров этой функции. Функция активации описывает выходное значение нейрона в зависимости от взвешенной суммы его входов и порогового значения срабатывания. Рассматриваются сети с прямым распространением сигналов (без обратной связи). Приводятся результаты вычислительного эксперимента по прогнозированию нейронными сетями различных временных рядов и анализируется качество прогнозов при различных функциях активации и прочих параметрах сети.
Публикация
- Рудой Г. И. Выбор функции активации при прогнозировании нейронными сетями // Машинное обучение и анализ данных. — 2011. — № 1. — С. 40-50. — ISSN 2223-3792.
Осень 2011, 7-й семестр
Индуктивное порождение суперпозиций в задачах нелинейной регрессии
При восстановлении нелинейной регрессии рассматривается набор индуктивно порожденных моделей с целью выбора оптимальной. В работе исследуется алгоритм индуктивного порождения допустимых существенно нелинейных моделей. Предлагается алгоритм, порождающий все возможные суперпозиции заданной сложности за конечное число шагов, и приводится его теоретическое обоснование. Приводятся результаты вычислительного эксперимента по моделированию волатильности опционов.
Публикации
- Рудой Г. И. Индуктивное порождение суперпозиций в задачах нелинейной регрессии // Машинное обучение и анализ данных. — 2011. — № 2. — С. 140-155. — ISSN 2223-3792.
- Стрижов В. В., Рудой Г. И. Алгоритмы индуктивного порождения суперпозиций для аппроксимации измеряемых данных // Информатика и её применения. — {{{год}}}. — ISSN 1992-2264 (подано в журнал).
Весна 2012, 8-й семестр
Упрощение суперпозиций элементарных функций при помощи преобразований графов по правилам
Предлагается алгоритм упрощения суперпозиций существенно нелинейных регрессионных моделей. Данный алгоритм является усовершенствованием ранее предложенных методов упрощения выражений по правилам. Суперпозиции представляются в виде направленного ациклического графа с объединением общих поддеревьев. Такое представление позволяет существенно расширить класс допустимых преобразований суперпозиций. Доказывается корректность и полнота предложенного алгоритма. Приводятся результаты вычислительного эксперимента для набора синтетических данных.
Публикации
- Рудой Г. И. Упрощение суперпозиций элементарных функций при помощи преобразований графов по правилам // Вычислительные технологии (подано в журнал). — {{{год}}}.
Гранты
- «Упрощение суперпозиций элементарных функций при помощи преобразований графов по правилам», ПГАС
