Участник:Anastasiya/Черновики

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
м (Задача 2)
м (Задача 2)
Строка 34: Строка 34:
** Andrey Eliseyev and Tetiana Aksenova. Penalized multi-way partial least squares for smooth
** Andrey Eliseyev and Tetiana Aksenova. Penalized multi-way partial least squares for smooth
trajectory decoding from lectrocorticographic (ecog). PLoS ONE, 11(5):e0154878, 2016.
trajectory decoding from lectrocorticographic (ecog). PLoS ONE, 11(5):e0154878, 2016.
-
** Andrey Eliseyev, Cecile Moro, Thomas Costecalde, Napoleon Torres, Sadok Gharbi, Corinne
+
** Andrey Eliseyev, Cecile Moro, Thomas Costecalde, Napoleon Torres, Sadok Gharbi, Corinne Mestais, Alim Louis Benabid, and Tatiana Aksenova. Iterative n-way partial least squares for a binary self-paced brain-computer interface in freely moving animals. J. Neural EngJournal of Neural Engineering, 8, 2011.
-
Mestais, Alim Louis Benabid, and Tatiana Aksenova. Iterative n-way partial least squares
+
-
for a binary self-paced brain-computer interface in freely moving animals. J. Neural
+
-
EngJournal of Neural Engineering, 8, 2011.
+
** Aleksandr Katrutsa and Vadim Strijov. Comprehensive study of feature selection methods
** Aleksandr Katrutsa and Vadim Strijov. Comprehensive study of feature selection methods
to solve multicollinearity problem according to evaluation criteria. Expert Systems with
to solve multicollinearity problem according to evaluation criteria. Expert Systems with

Версия 17:10, 13 февраля 2017

Список проектов

Шаблон описания проекта — научной статьи

  • Название: Название, под которым статья подается в журнал.
  • Задача: Описание или постановка задачи. Желательна постановка в виде задачи оптимизации (в формате argmin). Также возможна ссылка на классическую постановку задачи.
  • Данные: Краткое описание данных, используемых в вычислительном эксперименте, и ссылка на выборку.
  • Литература: Список научных работ, дополненный 1) формулировкой решаемой задачи, 2) ссылками на новые результаты, 3) основной информацией об исследуемой проблеме.
  • Базовой алгоритм: Ссылка на алгоритм, с которым проводится сравнение или на ближайшую по теме работу.
  • Решение: Предлагаемое решение задачи и способы проведения исследования. Способы представления и визуализации данных и проведения анализа ошибок, анализа качества алгоритма.
  • Новизна: Обоснование новизны и значимости идей (для редколлегии и рецензентов журнала).
  • Авторы: эксперт, консультант.

Задача 1

  • Название: Классификация видов деятельности человека по измерениям фитнес-браслетов.
  • Задача: По измерениям акселерометра и гироскопа требуется определить вид деятельности рабочего. Предполагается, что временные ряды измерений содержат элементарные движения, которые образуют кластеры в пространстве описаний временных рядов. Характерная продолжительность движения – секунды. Временные ряды размечены метками вида деятельности: работа, отдых. Характерная продолжительность деятельности – минуты. Требуется по описанию временного ряда и кластера восстановить вид деятельности.
  • Данные: Временные ряды акселерометра WISDM (Временной ряд (библиотека примеров), раздел Accelerometry).
  • Литература:
    • Карасиков М.Е., Стрижов В.В. Классификация временных рядов в пространстве параметров порождающих моделей // Информатика и ее применения, 2016. [URL]
    • Кузнецов М.П., Ивкин Н.П. Алгоритм классификации временных рядов акселерометра по комбинированному признаковому описанию // Машинное обучение и анализ данных. 2015. T. 1, № 11. C. 1471 - 1483. [URL]
    • Исаченко Р.В., Стрижов В.В. Метрическое обучение в задачах многоклассовой классификации временных рядов // Информатика и ее применения, 2016, 10(2) : 48-57. [URL]
    • Задаянчук А.И., Попова М.С., Стрижов В.В. Выбор оптимальной модели классификации физической активности по измерениям акселерометра // Информационные технологии, 2016. [URL]
    • Motrenko A.P., Strijov V.V. Extracting fundamental periods to segment human motion time series // Journal of Biomedical and Health Informatics, 2016, Vol. 20, No. 6, 1466 - 1476. [URL]
    • Ignatov A., Strijov V. Human activity recognition using quasiperiodic time series collected from a single triaxial accelerometer // Multimedia Tools and Applications, 2015, 17.05.2015 : 1-14. [URL]
  • Базовой алгоритм: Базовый алгоритм описан в работах [Карасиков, Стрижов: 2016] и [Кузнецов, Ивкин: 2014].
  • Решение: Найти оптимальный способ сегментации и оптимальное описание временного ряда. Построить метрическое пространство описаний элементарных движений.
  • Новизна:: Соединение двух характеристических времен описания жизни человека, комбинированная постановка задачи.
  • Авторы: В.В. Стрижов, М.П. Кузнецов, П.В. Левдик.

Задача 2

  • Название: Выбор признаков в задаче распознавания активности областей головного мозга.
  • Задача: Решается задача восстановления координат конечности испытуемого на основе измерений активности головного мозга. КАждому обхъекты выборки, описываемому трехиндексной матрцей пространственных, временных и частотных признаков, требуется сопоставить 3D координаты конечности испытуемого.
    • Постановка задачи и описание процесса построения выборки
  • Данные: Описание эксперимента и ссылка на данные
  • Литература:
    • Andrey Eliseyev and Tetiana Aksenova. Penalized multi-way partial least squares for smooth

trajectory decoding from lectrocorticographic (ecog). PLoS ONE, 11(5):e0154878, 2016.

    • Andrey Eliseyev, Cecile Moro, Thomas Costecalde, Napoleon Torres, Sadok Gharbi, Corinne Mestais, Alim Louis Benabid, and Tatiana Aksenova. Iterative n-way partial least squares for a binary self-paced brain-computer interface in freely moving animals. J. Neural EngJournal of Neural Engineering, 8, 2011.
    • Aleksandr Katrutsa and Vadim Strijov. Comprehensive study of feature selection methods

to solve multicollinearity problem according to evaluation criteria. Expert Systems with Applications, 2017.

  • Базовой алгоритм: NPLS или другие модификации [Eliseyev 2016, Eliseev 2011]
  • Решение: Предлагается сравнить базовые методы с методом [Katrutsa 2017]
  • Новизна: Алгоритм выбора признаков [Katrutsa 2017] был предложен для двухиндексных данных и при использовании тензорных (многоиндексных) признаковых описаний требует модификации.
  • Авторы: эксперт, консультант.
Личные инструменты