Участник:Mkarasikov

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Текущая версия (11:51, 20 февраля 2017) (править) (отменить)
(Отчет о научно-исследовательской работе)
 
Строка 15: Строка 15:
'''Публикация'''
'''Публикация'''
-
 
+
*{{Статья
-
''Карасиков М.Е., Максимов Ю.В.'' Поиск эффективных методов снижения размерности при решении задач многоклассовой классификации путем её сведения к решению бинарных задач // Машинное обучение и анализ данных. 2014. T. 1, № 9. C. 1273 - 1290. — ISSN 2223-3792
+
|автор = Карасиков М.Е., Максимов Ю.В.
 +
|название = Поиск эффективных методов снижения размерности при решении задач многоклассовой классификации путем её сведения к решению бинарных задач
 +
|журнал = Машинное обучение и анализ данных
 +
|ISSN = 2223-3792
 +
|том = 1
 +
|номер = 9
 +
|cтраницы = 1273-1290
 +
|язык = russian
 +
|год = 2014
 +
|url = http://jmlda.org/papers/doc/2014/no9/Karasikov2014Multiclass.pdf
 +
}}

Текущая версия

Карасиков Михаил Евгеньевич

МФТИ, ФУПМ, 174 группа

karasikov{at}phystech{dot}edu

Отчет о научно-исследовательской работе

Весна 2014, 6-й семестр

Поиск эффективных методов снижения размерности при решении задач многоклассовой классификации путем её сведения к решению бинарных задач

В работе рассматриваются способы решения задачи многоклассовой классификации на основе сведения её к задачам бинарной классификации. Исследованы различные подходы к сведению задачи многоклассовой классификации к задачам бинарной классификации и проведено сравнение их эффективностей. Предложены пути повышения производительности классификаторов путем снижения размерности пространства признаков методом случайных проекций. Проведены эксперименты на реальных данных для различных классификаторов, результаты которых отражают характерные зависимости качества классификации и сложности обучения при снижении размерности методом случайных проекций.

Публикация

  • Карасиков М.Е., Максимов Ю.В. Поиск эффективных методов снижения размерности при решении задач многоклассовой классификации путем её сведения к решению бинарных задач // Машинное обучение и анализ данных. — 2014. — Т. 1. — № 9. — ISSN 2223-3792.


Осень 2014, 7-й семестр

Предсказание упаковки боковых цепей белковой структуры: оптимизация

В работе решается задача предсказания упаковки боковых цепей белковой структуры при помощи выпуклой оптимизации в предположении известного положения основной цепи.

Технический отчёт

Карасиков М.Е. Side-chain conformation prediction: optimization // Сервер вычислительных экспериментов mvr.jmlda.org


Весна 2015, 8-й семестр

Классификация временных рядов в пространстве параметров порождающих моделей

Работа посвящена задаче многоклассовой признаковой классификации временных рядов. Признаковая классификация временных рядов заключается в сопоставлении каждому временному ряду его краткого признакового описания, позволяющему решать задачу классификации в пространстве признаков. В работе исследуются методы построения пространства признаков временных рядов. При этом временной ряд рассматривается как последовательность сегментов, аппроксимируемых некоторой параметрической моделью, параметры которой используются в качестве их признаковых описаний. Построенное так признаковое описание сегмента временного ряда наследует от модели аппроксимации такие полезные свойства, как инвариантность относительно сдвига. Для решения задачи классификации в качестве признаковых описаний временных рядов предлагается использовать распределения параметров аппроксимирующих сегменты моделей, что обобщает базовые методы, использующие непосредственно сами параметры аппроксимирующих моделей. Проведен ряд вычислительных экспериментов на реальных данных, показавших высокое качество решения задачи многоклассовой классификации. Эксперименты показали превосходство предлагаемого метода над базовым и многими распространенными методами классификации временных рядов на всех рассмотренных наборах данных.

Публикация

  • Карасиков М.Е., Стрижов В.В. Классификация временных рядов в пространстве параметров порождающих моделей // Информатика и её применения. — 2016. — Т. 10. — № 4. — ISSN 1992-2264.
Личные инструменты