Участник:Kropotov

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(+ картинки кластеризаций)
(+ картинки для gridrvm)
Строка 29: Строка 29:
==== Табулярный метод релевантных векторов ====
==== 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 [http://jmlr.csail.mit.edu/proceedings/papers/v13/kropotov10a/kropotov10a.pdf (Kropotov et al., 2010)].
+
{| style="border:0px;"
 +
|-
 +
| valign = "top" | 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 [http://jmlr.csail.mit.edu/proceedings/papers/v13/kropotov10a/kropotov10a.pdf (Kropotov et al., 2010)].
Скачать: [[Media:gridrvm_library.rar|gridrvm V1.00 (RAR, 158 Кб)]]
Скачать: [[Media:gridrvm_library.rar|gridrvm V1.00 (RAR, 158 Кб)]]
 +
 +
| valign = "top" | [[Изображение:grid.jpg|150px|thumb|Матрица признаков одного объекта]]
 +
| valign = "top" | [[Изображение:grid_sparse.jpg|150px|thumb|Только часть строк и столбцов матрицы являются информативными]]
 +
|}
==== Смесь нормальных распределений ====
==== Смесь нормальных распределений ====

Версия 11:58, 11 января 2011


    Кропотов Дмитрий Александрович

м.н.с. Вычислительного Центра РАН

Написать письмо.

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)

Матрица признаков одного объекта
Матрица признаков одного объекта
Только часть строк и столбцов матрицы являются информативными
Только часть строк и столбцов матрицы являются информативными

Смесь нормальных распределений

Реализация под MatLab алгоритма решения задачи кластеризации с помощью восстановления смеси нормальных распределений. Количество восстанавливаемых компонент смеси может быть определено автоматически с помощью скользящего контроля или с помощью подхода автоматического определения релевантности, описанного в статье (Vetrov et al., 2010).

Скачать: gmm V1.01 (RAR, 73 Кб)

Пример кластеризации: начальное приближение с 20 кластерами
Пример кластеризации: начальное приближение с 20 кластерами
Пример кластеризации: финальная кластеризация на 5 кластеров
Пример кластеризации: финальная кластеризация на 5 кластеров

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»

Личные инструменты