Участник:Nkzh

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Осень 2012, 11-й семестр)
Строка 39: Строка 39:
''Животовский Н.К.'' Комбинированный порождающий и разделяющий подходы в задачах классификации с малой выборкой // ''Машинное обучение и анализ данных'', 2012, №4.
''Животовский Н.К.'' Комбинированный порождающий и разделяющий подходы в задачах классификации с малой выборкой // ''Машинное обучение и анализ данных'', 2012, №4.
 +
 +
Магистерская диссертация: ''[[Media:Zhivotivskiy2013MsThesis.pdf|Концентрация меры в комбинаторных оценках обобщающей способности]]'', научный руководитель: ''[[Участник:vokov|Воронцов К. В.]]''

Версия 08:59, 20 июня 2013

Животовский Никита Кириллович

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

nikita.zhivotovskiy@phystech.edu

Содержание

Отчеты о научно-исследовательской работе

Осень 2011, 9-й семестр

Оценка частоты тестовой ошибки с помощью скользящего контроля

На практике для оценивания обобщающей способности обучаемых алгоритмов часто используется оценка скользящего контроля с одним отделяемым объектом LOO (leave-one-out cross-validation). Несмотря на широкое применение, известные теоретические обоснования LOO пока либо сильно привязаны к конкретному методу обучения, либо представляют собой сильно завышенные оценки вероятности большого отклонения действительной вероятности ошибки от оценки LOO. В работе используется комбинаторный подход, с помощью которого удается значительно улучшить ранние результаты.

Публикации

Животовский Н.К. Комбинаторные оценки вероятности отклонения тестовой ошибки от ошибки скользящего контроля // , ММРО — 15, 2011. — С. 52-55 (опубликовано)

Весна 2012, 10-й семестр

Вопросы точности комбинаторных оценок вероятности переобучения

Одной из главных задач статистической теории обучения является оценивание обощающей способности обучающихся алгоритмов. Оценки, получаемые с помощью теории Вапника-Червоненкиса являются черезмерно завышенными и часто теряют свой практический смысл. Но с помощью комбинаторной теории переобучения удается не только улучшить известные оценки, но даже в некоторых частных случаях получить эффективно вычисляемые точные оценки. Целью работы является описание всех семейств алгоритмов, для которых комбинаторные оценки расслоения-связности точны.

Часть результатов изложена в 9-ом семестре на конференции МФТИ. В 10-ом семестре оформлена статья, посвященная подробному описанию искомых семейств. Результаты статьи также докладывались на семинаре, посвященном комбинаторному подходу к оценке вероятности переобучения.

Публикации

Животовский Н.К. Критерий точности комбинаторных оценок вероятности переобучения // МФТИ-54, том 2, 2011, С. 99-100 (опубликовано)

Осень 2012, 11-й семестр

Публикации

Животовский Н.К., Воронцов К.В. Критерий точности комбинаторных оценок вероятности переобучения // Интеллектуализация обработки информации. Доклады 9-й международной конференции, 2012.

Животовский Н.К. Комбинированный порождающий и разделяющий подходы в задачах классификации с малой выборкой // Машинное обучение и анализ данных, 2012, №4.

Магистерская диссертация: Концентрация меры в комбинаторных оценках обобщающей способности, научный руководитель: Воронцов К. В.

Личные инструменты