Участник:Perekrestenko
Материал из MachineLearning.
(→Весна 2013, 6-й семестр) |
(→Отчет о научно-исследовательской работе) |
||
| Строка 12: | Строка 12: | ||
== Отчет о научно-исследовательской работе == | == Отчет о научно-исследовательской работе == | ||
=== Весна 2013, 6-й семестр=== | === Весна 2013, 6-й семестр=== | ||
| + | |||
| + | '''Порождение нейронных сетей с экспертно-заданными функциями активации''' | ||
| + | |||
| + | ''В данной работе исследуются возможности нейронных сетей, основанных на различных алгоритмах обучения, в применении к задачам прогнозирования временных рядов. Анализируется алгоритм Deep Learning и его конкуренты - многослойная сеть с градиентным методом обучения и Madaline. В вычислительном эксперименте сравниваются результаты работы нового алгоритма со стандартным методом обучения -- градиентным спуском, для одно- двух- и трехслойных нейронных сетей. Работа алгоритмов проилюстрирована на задаче прогнозирования объемов потребления и цен на электроэнергию, а также на синтетических данных. Приведены выводы о целесообразности применения алгоритмов Deep Learning к некоторорым классам задач'' | ||
| + | |||
| + | '''Публикация''' | ||
| + | |||
''Перекрестенко Д.О.'' [http://svn.code.sf.net/p/mlalgorithms/code/Perekrestenko2013DeepLearning/doc/Perekrestenko2013DeepLearning.pdf Порождение нейронных сетей с экспертно-заданными функциями активации] // ''Machinelearning.ru'' , 2013. | ''Перекрестенко Д.О.'' [http://svn.code.sf.net/p/mlalgorithms/code/Perekrestenko2013DeepLearning/doc/Perekrestenko2013DeepLearning.pdf Порождение нейронных сетей с экспертно-заданными функциями активации] // ''Machinelearning.ru'' , 2013. | ||
Версия 05:23, 27 августа 2013
Перекрестенко Дмитрий Олегович
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
email: dmitry.perekrestenko@phystech.edu
Отчет о научно-исследовательской работе
Весна 2013, 6-й семестр
Порождение нейронных сетей с экспертно-заданными функциями активации
В данной работе исследуются возможности нейронных сетей, основанных на различных алгоритмах обучения, в применении к задачам прогнозирования временных рядов. Анализируется алгоритм Deep Learning и его конкуренты - многослойная сеть с градиентным методом обучения и Madaline. В вычислительном эксперименте сравниваются результаты работы нового алгоритма со стандартным методом обучения -- градиентным спуском, для одно- двух- и трехслойных нейронных сетей. Работа алгоритмов проилюстрирована на задаче прогнозирования объемов потребления и цен на электроэнергию, а также на синтетических данных. Приведены выводы о целесообразности применения алгоритмов Deep Learning к некоторорым классам задач
Публикация
Перекрестенко Д.О. Порождение нейронных сетей с экспертно-заданными функциями активации // Machinelearning.ru , 2013.
