Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 974, весна 2012

Материал из MachineLearning.

Перейти к: навигация, поиск


Список задач

Название задачи Автор Рецензент Ссылка на работу Комментарии
Локальные методы прогнозирования с выбором инвариантного преобразования Цыганова Светлана Медведникова Мария Tsyganova2012 LocalForecast сaipvds
Аппроксимация эмпирических функций распределения Иванова Алина Адуенко Александр Ivanova2012 ApproximateFunc сai
Построение рейтинга российских вузов по открытым данным об успешности карьеры их выпускников (пример) Мария Медведникова Светлана Цыганова Medvednikova2012Raiting сaipvds
CMARS: аппроксимация сплайнами (пример) Целых Влада Celyh2012CMARS сaipvdst
Кластеризация и составление словаря аминокислотных последовательностей Шпакова Татьяна Целых Влада Shpakova2012Clustering сaipvd
Полиномы Чебышева и прогнозирование временных рядов Бочкарева Валерия Степан Лобастов Bochkareva2012TimeSeriesPrediction сav
Алгоритмы переборного поиска наиболее информативных объектов и признаков в логистической регрессии (пример) Степан Лобастов Егор Клочков Lobastov2012FOSelection сaipv
Алгоритмические основы построения банковских скоринговых карт (пример) Александр Адуенко Иванова Алина Aduenko2012economics сaipvdst
Многоуровневая классификация при обнаружении движения цен (пример) Арсентий Кузьмин Анна Варфоломеева Kuzmin2012TimeRows сaipvs.
Прогноз квазипериодических многомерных временных рядов непараметрическими методами (пример) Егор Клочков ? Klochkov2012Goods4Cast сaipv
Локальные методы прогнозирования с выбором метрики (пример) Анна Варфоломеева Varfolomeeva2012 LocForecastMetrics сaipvds
Векторная авторегрессия и управление макроэкономическими показателями (пример) Александр Шульга ? a..v
Oblivious Decision Trees (пример) Кирилл Татунов с.
Алгоритмы нахождения гауссовских смесей (пример) Александра Цимбалюк Татьяна Шпакова
Сравнение методов ARMA и FLS при ретроспективном прогнозировании (пример) Макаров Виктор

Общий план работ

Дата Что делаем Результат для обсуждения c
Февраль 29 Выбрана задача, найдены базовые публикации. Аннотация, 600 знаков. a
Март 14 Собрана литература, она в bib; найдены данные. Введение, примерно одна страница. i
21 Поставлена задача, собраны материалы по работе. Найдены публикации. Постановка задачи, полстраницы. p
28 Поставлен вычислительный эксперимент, получены первые результаты. Визуализация данных. v
Апрель 4 Описание алгоритма, часть 1. Теоретическая часть. d
11 Описание алгоритма, часть 2. Теоретическая часть завершена. d
18 Завершение вычислительного эксперимента. Контрольная точка - показ статьи в целом. s
25 Доработка статьи. Доклад, первая группа. t
25+ Подача статьи в журнал. Доклад, вторая группа. j

Аннотации

Алгоритмы переборного поиска наиболее информативных объектов и признаков в логистической регрессии

Логистическая регрессия – это статистическая модель, которая применяется для предсказания вероятности возникновения некоторого события по значениям множества признаков. Она находит применение, например, в медицине [1] и кредитном скроллинге. В реальных условиях число признаков обычно велико, и важнейшей задачей является выбор только существенных признаков , а также поиск объектов, которые по тем или иным причинам являются атипичными.

Ключевые слова: logit model, feature selection, boosting.

Построение рейтинга российских вузов по открытым данным об успешности карьеры их выпускников (пример)

Работа посвящена построению рейтинга российских вузов, основанного на оценке успешности карьеры выпускников. Входные данные (биографии) разбиваются на группы по сферам деятельности, для каждой группы строится интегральный индикатор по индивидуальным признакам. Интегральный индикатор для вуза определяется как среднее арифметическое индикаторов выпускников. Подход проиллюстрирован на выборке из биографий 30 выпускников 10 технических вузов г. Москвы.

Ключевые слова: интегральный индикатор, экспертные оценки, веса параметров, метод главных компонент.

Аппроксимация эмпирических функций распределения

Работа посвящена методам аппроксимации функций для эффективного вычисления интегралов. В практических задачах обычно имеются данные в определенных точках времени или пространства. При построении предположений об остальных точках возникает необходимость аппроксимации функции распределения исследуемой величины, а также оценка соответствующей ошибки. Для ее расчета есть возможность использовать методы разной точности.

Ключевые слова: метод Монте-Карло, вычисление функцй распределения, эмпирические функции распределения.

Методы локального прогнозирования с выбором преобразования

Задачи прогнозирования временных рядов имеют множество приложений в различных областях, таких как экономика, физика, медицина. Их решением является прогноз на недалекое будущее по уже известным значениям прогнозируемого ряда в предыдущие моменты времени. В работе будет построен алгоритм локального прогнозирования с учетом преобразований, позволяющий без участия человека выявить визуально похожие участки временного ряда.

Ключевые слова: локальное прогнозирование, преобразование

Черновой список задач

  1. Кластеризация и составление словаря аминокислотных последовательностей (пример)
  2. Oblique decision trees: алгоритм Яндекс для системы Полигон (пример)
  3. Сравнительный анализ регрессионных остатков в SVN-регрессии (пример)
  4. Алгоритмы нахождения гауссовских смесей (пример)
  5. Аппроксимация эмпирических функций распределения (пример)
  6. Прогноз квазипериодических многомерных временных рядов непараметрическими методами (пример)
  7. Многоуровневая классификация при обнаружении движения цен (пример)
  8. Анализ текста методами структурного обучения (пример)
  9. CMARS: аппроксимация сплайнами (пример)
  10. Полиномы Чебышева и метод прогонки при прогнозировании временных рядов (пример)
  11. Сравнение методов ARMA и FLS при ретроспективном прогнозировании (пример)
  12. Локальные методы прогнозирования с выбором метрики (пример)
  13. Локальные методы прогнозирования с выбором инвариантного преобразования (пример)
  14. Алгоритмы переборного поиска наиболее информативных объектов и признаков в логистической регрессии (пример)
  15. Векторная авторегрессия и управление макроэкономическими показателями (пример)
  16. Построение рейтинга российских вузов по открытым данным об успешности карьеры их выпускников (пример)
  17. К рейтинга российских вузов по открытым данным об успешности карьеры их выпускников (пример)

Ещё задачи

  1. Алгоритмические основы построения банковских скоринговых карт (пример)
  2. Сингулярное разложение и поисковая машина (пример)
  3. Сравнение алгоритмов многокритериальной оптимизации (пример)
  4. Уточнение экспертных оценок на данных в ранговых шкалах (интервальные, конусы, веса экспертов, копулы)
  5. Уточнение экспертных оценок при анализе работы механизма устойчивого развития энергетики
  6. Кластеризация (пример) [2]
  7. Визуализация пространства параметров регрессионных моделей
  8. Восстановление регрессии методом главных компонент
  9. Оценка гиперпараметров путем сэмплирования
  10. Прореживание существенно нелинейных моделей с помощью гиперпараметров
  11. Фактор Оккама для параметрических моделей с известной областью определения параметров
  12. Создание алгоритмов последовательной модификации моделей
  13. Порождение и выбор моделей классификации

Составить

  • Список типичных типографических ошибок
  • Список ошибок BibTeX
Личные инструменты