Участник:Isachenkoroma

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Отчет о научно-исследовательской работе)
(Отчет о научно-исследовательской работе)
Строка 19: Строка 19:
'''Публикация'''
'''Публикация'''
-
''Р.В.Исаченко'' Метрическое обучение и снижение размерности пространства в задачах кластеризации временных рядов // ''Машинное обучение и анализ данных.'' — 2015. — ISSN 2223-3792. (готовится к подаче в журнал)
+
''Р.В.Исаченко'' Метрическое обучение и снижение размерности пространства в задачах кластеризации временных рядов // ''Машинное обучение и анализ данных.'' — 2015. — ISSN 2223-3792. Т. 2, №1, 2016.
<big>'''Осень 2015, 7-й семестр'''</big>
<big>'''Осень 2015, 7-й семестр'''</big>
 +
 +
 +
'''Технический отчёт'''
 +
 +
''Р.В.Исаченко'' Metric Learning and Feature Selection for Multiclass Classification of Time Series. Технический отчёт // ''Сервер вычислительных экспериментов''. - mvr.jmlda.org
 +
 +
 +
<big>'''Весна 2016, 8-й семестр'''</big>
'''Метрическое обучение в задачах мультиклассовой классификации временных рядов'''
'''Метрическое обучение в задачах мультиклассовой классификации временных рядов'''
-
''Работа посвящена построению модели многоклассовой классификации временных рядов. В качестве алгоритма классификации выбрана логистическая регрессия. Предлагается применить методы метрического обучения для улучшения качества классификации. Метрическое обучение позволяет модифицировать расстояния между временными рядами, сближая временные ряды из одного класса и отдаляя временные ряды из разных классов. Расстояние между временными рядами измеряется с помощью метрики Махаланобиса. Процедура метрического обучения состоит в определении оптимальной матрицы трансформаций в метрике Махаланобиса. Классификация временных рядов осуществляется на предварительно выравненных временных рядах относительно центроидов классов. В качестве алгоритма выравнивания выбран алгоритм динамической трансформации. Для анализа качества классификации произведён вычислительный эксперимент на синтетических и реальных данных с акселлерометра мобильного телефона.''
+
''Работа посвящена построению модели многоклассовой классификации временных рядов. Предлагается выравнивать временные ряды относительно центроидов классов. Процедура нахождения центроидов и выравнивания временных рядов осуществляется с помощью алгоритма динамической трансформации времени. Для повышения качества классификации в данной работе используются методы метрического обучения. Метрическое обучение позволяет модифицировать расстояния между временными рядами, сближая временные ряды из одного класса и отдаляя временные ряды из разных классов. Расстояние между временными рядами измеряется с помощью метрики Махаланобиса. Процедура метрического обучения состоит в определении оптимальной матрицы трансформаций в метрике Махаланобиса. Для анализа качества построенного алгоритма проведен вычислительный эксперимент на синтетических и реальных данных показаний с акселерометра мобильного телефона.''
-
'''Технический отчёт'''
+
'''Публикация'''
-
''Р.В.Исаченко'' Metric Learning and Feature Selection for Multiclass Classification of Time Series. Технический отчёт // ''Сервер вычислительных экспериментов''. - mvr.jmlda.org
+
''Р.В.Исаченко'' Метрическое обучение в задачах мультиклассовой классификации временных рядов// ''Системы и средства информатики''. 2016 №2 (принята в печать).

Версия 07:40, 25 мая 2016

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

isa-ro@yandex.ru

Отчет о научно-исследовательской работе

Весна 2015, 6-й семестр


Метрическое обучение и снижение размерности пространства в задачах кластеризации временных рядов

Работа посвящена использованию методов метрического обучения в задаче кластеризации временных рядов. Применение метрического обучения позволяет модифицировать расстояния между временными рядами, сближая временные ряды из одного кластера и отдаляя временные ряды из разных кластеров. В данной работе расстояние между временными рядами измеряется при помощи метрики Махаланобиса. Процедура метрического обучения состоит в определении оптимальной матрицы ковариаций в метрике Махаланобиса. Кластеризация временных рядов осуществляется алгоритмом k-средних и алгоритмом адаптивного метрического обучения, понижающим размерность пространства кластеризации. Для сравнения этих методов произведён вычислительный эксперимент на синтетических данных и на реальных данных с акселерометра мобильного телефона, сделан вывод об эффективности рассматриваемых методов.

Публикация

Р.В.Исаченко Метрическое обучение и снижение размерности пространства в задачах кластеризации временных рядов // Машинное обучение и анализ данных. — 2015. — ISSN 2223-3792. Т. 2, №1, 2016.


Осень 2015, 7-й семестр


Технический отчёт

Р.В.Исаченко Metric Learning and Feature Selection for Multiclass Classification of Time Series. Технический отчёт // Сервер вычислительных экспериментов. - mvr.jmlda.org


Весна 2016, 8-й семестр


Метрическое обучение в задачах мультиклассовой классификации временных рядов

Работа посвящена построению модели многоклассовой классификации временных рядов. Предлагается выравнивать временные ряды относительно центроидов классов. Процедура нахождения центроидов и выравнивания временных рядов осуществляется с помощью алгоритма динамической трансформации времени. Для повышения качества классификации в данной работе используются методы метрического обучения. Метрическое обучение позволяет модифицировать расстояния между временными рядами, сближая временные ряды из одного класса и отдаляя временные ряды из разных классов. Расстояние между временными рядами измеряется с помощью метрики Махаланобиса. Процедура метрического обучения состоит в определении оптимальной матрицы трансформаций в метрике Махаланобиса. Для анализа качества построенного алгоритма проведен вычислительный эксперимент на синтетических и реальных данных показаний с акселерометра мобильного телефона.

Публикация

Р.В.Исаченко Метрическое обучение в задачах мультиклассовой классификации временных рядов// Системы и средства информатики. 2016 №2 (принята в печать).

Личные инструменты