Участник:Kropotov
Материал из MachineLearning.
(Различия между версиями)
(+ картинка sinc) |
(+ библиотека gmm версия 1.10) |
||
Строка 48: | Строка 48: | ||
{| style="border:0px;" | {| style="border:0px;" | ||
|- | |- | ||
- | | valign = "top" | Реализация под MatLab | + | | valign = "top" | Реализация под MatLab алгоритмов решения задачи кластеризации с помощью восстановления смеси нормальных распределений с использованием EM-алгоритма, а также вариационного подхода, описанного в книге [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ (Bishop, 2006)]. Количество кластеров может быть определено автоматически по данным с помощью скользящего контроля или с помощью подхода на основе автоматического определения релевантности, описанного в статье [http://www.springerlink.com/content/p3j0060km3357131/ (Vetrov et al., 2010)]. Применение вариационного подхода для восстановления смеси нормальных распределений также позволяет автоматически определить число кластеров в данных. |
- | Скачать: [[Media: | + | Скачать: [[Media:Gmm_110.rar|gmm V1.10 (RAR, 102 Кб)]] |
|[[Изображение:gmm_initial_approximation.jpg|300px|thumb|Пример кластеризации: начальное приближение с 20 кластерами]] | |[[Изображение:gmm_initial_approximation.jpg|300px|thumb|Пример кластеризации: начальное приближение с 20 кластерами]] |
Версия 19:54, 12 января 2011
Кропотов Дмитрий Александрович
м.н.с. Вычислительного Центра РАН |
Научные интересы
Байесовские методы машинного обучения, методы обучения и вывода в графических моделях, практический интеллектуальный анализ данных
Публикации
Список публикаций см. здесь.
Программные реализации
Обобщенные линейные модели
Реализация под MatLab ряда классических алгоритмов решения задач классификации и регрессии на основе обобщенных линейных моделей, таких как байесовская линейная/логистическая регрессия, метод релевантных векторов и вариационный метод релевантных векторов. Эти алгоритмы просты в использовании и, как правило, обладают высокой скоростью работы. С их помощью можно решать задачи классификации и регрессии, а также осуществлять отбор значимых признаков.
Скачать: glm V1.05 (RAR, 243 Кб) |
Табулярный метод релевантных векторов
Реализация под MatLab алгоритма решения задач классификации и регрессии с т.н. табулярными данными. В таких задачах каждый объект выборки представлен своей матрицей признаков, и представляет интерес поиск информативных строк и столбцов в этой матрице. Реализованный алгоритм — это вариационный метод релевантных векторов для табулярных данных, описанный в статье (Kropotov et al., 2010).
Скачать: gridrvm V1.00 (RAR, 158 Кб) |
Смесь нормальных распределений
Реализация под MatLab алгоритмов решения задачи кластеризации с помощью восстановления смеси нормальных распределений с использованием EM-алгоритма, а также вариационного подхода, описанного в книге (Bishop, 2006). Количество кластеров может быть определено автоматически по данным с помощью скользящего контроля или с помощью подхода на основе автоматического определения релевантности, описанного в статье (Vetrov et al., 2010). Применение вариационного подхода для восстановления смеси нормальных распределений также позволяет автоматически определить число кластеров в данных.
Скачать: gmm V1.10 (RAR, 102 Кб) |
Реализации выполнены при поддержке РФФИ (проекты 09-01-12060, 09-01-92474).
Учебные курсы
Спецкурс «Байесовские методы машинного обучения»
Спецкурс «Структурные методы анализа изображений и сигналов»
Спецсеминар «Байесовские методы машинного обучения»