Участник:Mpopova

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Отчеты о научно-исследовательской работе)
 
(4 промежуточные версии не показаны)
Строка 12: Строка 12:
|название = Выбор оптимальной модели классификации по измерениям акселерометра
|название = Выбор оптимальной модели классификации по измерениям акселерометра
|журнал = Информатика и ее применения
|журнал = Информатика и ее применения
-
|год =(подано в журнал)
+
|год = 2015
 +
|том = 9
 +
|номер = 1
}}
}}
[http://svn.code.sf.net/p/mlalgorithms/code/Group174/Popova2014OptimalModelSelection/doc/Popova2014OptimalModelSelection.pdf?format=raw pdf]
[http://svn.code.sf.net/p/mlalgorithms/code/Group174/Popova2014OptimalModelSelection/doc/Popova2014OptimalModelSelection.pdf?format=raw pdf]
 +
=== Осень 2014, 7-й семестр===
=== Осень 2014, 7-й семестр===
Строка 21: Строка 24:
''Данная работа посвящена построению модели для многоклассовой классификации временных рядов с использованием методов Deep Learning. Модель строится как суперпозиция ограниченных машин Больцмана и автокодировщиков, которые обучаются без учителя. Последним уровнем в суперпозиции является двухслойная нейронная сеть, которая обучается по меткам классов и является классификатором. В качестве тестовой задачи решается задача классификации физической активности человека по показаниям акселерометра. Для точности классификации строится ROC кривая и вычисляется значение AUC.''
''Данная работа посвящена построению модели для многоклассовой классификации временных рядов с использованием методов Deep Learning. Модель строится как суперпозиция ограниченных машин Больцмана и автокодировщиков, которые обучаются без учителя. Последним уровнем в суперпозиции является двухслойная нейронная сеть, которая обучается по меткам классов и является классификатором. В качестве тестовой задачи решается задача классификации физической активности человека по показаниям акселерометра. Для точности классификации строится ROC кривая и вычисляется значение AUC.''
 +
 +
'''Технический отчёт'''
 +
 +
''Попова М.С.'' [http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group174/Popova2014SequentialSelection/doc/Popova2014Systemdocs.doc Time series multiclass classification using methods of Deep Learning], Технический отчёт // ''Сервер вычислительных экспериментов mvr.jmlda.org'' (дата обращения: 30.12.2014).
'''Доклад на научной конференции'''
'''Доклад на научной конференции'''
57-я международная научная конференция МФТИ. 24-29 ноября 2014г. Доклад "Выбор оптимальной модели классификации по измерениям акселерометра".
57-я международная научная конференция МФТИ. 24-29 ноября 2014г. Доклад "Выбор оптимальной модели классификации по измерениям акселерометра".
 +
 +
=== Весна 2015, 8-й семестр===
 +
'''Построение нейронных сетей глубокого обучения для классификации временных рядов'''
 +
 +
''Статья посвящена решению задачи классификации временных рядов с использованием нейронных сетей глубокого обучения. Предлагается использовать многоуровневую суперпозицию моделей, относящихся к следующим классам нейронных сетей: двухслойные нейронные сети, машины Больцмана и автокодировщики. Нижние уровни суперпозиции выделяют из зашумленных данных высокой размерности информативные признаки, а верхний уровень по этим признакам решает задачу классификации. Предложенная модель была протестирована на двух выборках временных рядов физической активности человека. Результаты классификации, полученные предлагаемой моделью в ходе вычислительного эксперимента, сравнивались с результатами, которые были получены на этих же данных в работах зарубежных авторов. Исследование показало возможность применения нейронных сетей глубокого обучения к решению прикладных задач классификации физической активности человека.''
 +
 +
'''Публикация'''
 +
*{{Статья
 +
|автор = Попова М.С., Стрижов В.В.
 +
|название = Построение нейронных сетей глубокого обучения для классификации временных рядов
 +
|журнал = Системы и средства информатики
 +
|год = 2015
 +
|том = 25
 +
|номер = 3
 +
}}
 +
 +
[http://svn.code.sf.net/p/mlalgorithms/code/Group174/Popova2015DeepLearning/doc/Article.pdf?format=raw pdf]
 +
 +
'''Доклад на научной конференции'''
 +
 +
Конференция студентов, аспирантов и молодых ученых "Ломоносов-2015". 13-19 апреля 2015г. Доклад "Построение нейронной сети оптимальной структуры для классификации временных рядов".
 +
 +
=== Осень 2015, 9-й семестр===
 +
'''Системы и средства глубокого обучения в задачах классификации'''
 +
 +
Работа посвящена построению сети глубокого обучения и оптимизации ее параметров с помощью вычислительных мощностей графического ускорителя на основе сервиса облачных вычислений Amazon Web Services. Рассматривается задача классификации временных рядов. Для ее решения строится сеть глубокого обучения: суперпозиция универсальных моделей. В качестве исследуемой структуры сети рассматривается композиция ограниченной машины Больцмана, автокодировщика и двухслойной нейросети. Анализруется зависимость ошибки классификации от числа параметров и размера обучающей выборки. В качестве иллюстрирующего примера рассматривается задача классификации временных рядов акселерометра мобильного телефона. Приведены рекомендации по использованию программного обеспечения, предназначенного для решения задач глубокого обучения.
 +
 +
'''Публикация'''
 +
*{{Статья
 +
|автор = Бахтеев О. Ю., Попова М.С., Стрижов В.В.
 +
|название = Системы и средства глубокого обучения в задачах классификации
 +
|журнал = Системы и средства информатики
 +
|год = 2016
 +
|номер = 2
 +
}}
 +
 +
[http://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015TheanoCuda/doc/Bakhteev2015TheanoAWS.pdf?format=raw pdf]
 +
 +
 +
'''Технический отчёт'''
 +
 +
''M. Popova'' [http://svn.code.sf.net/p/mlalgorithms/code/Group174/Popova2015BioMTL/doc/finalReport.pdf?format=raw Feature selection and multi-task prediction of biological activity for nuclear receptors], Technical report.

Текущая версия

Попова Мария Сергеевна, МФТИ, ФУПМ, 174 группа

Содержание

Отчеты о научно-исследовательской работе

Весна 2014, 6-й семестр

Выбор оптимальной модели классификации по измерениям акселерометра

В данной работе решается проблема построения оптимальных устойчивых моделей в задаче классификации физической активности человека. Каждый тип физической активности конкретного человека описывается набором признаков, сгенерированных по временным рядам с акселерометра. В условиях мультиколлинеарности признаков выбор устойчивых моделей классификации затруднен из-за необходимости оценки большого числа параметров этих моделей. Оценка оптимального значения параметров также затруднена в связи с тем, что функция ошибок имеет большое количество локальных минимумов в пространстве параметров. В работе исследуются модели, принадлежащие классу двуслойных нейронных сетей. Ставится задача нахождения Парето оптимального фронта на множестве допустимых моделей. Предлагаются критерии оптимального, последовательного и устойчивого прореживания нейронной сети, критерий наращивания сети, а также строится стратегия пошаговой модификации модели с использованием предложенных критериев. В вычислительном эксперименте модели, порождаемые предложенной стратегией, сравниваются по трем критериям качества - сложность, точность и устойчивость.

Публикация

  • Попова М.С., Стрижов В.В. Выбор оптимальной модели классификации по измерениям акселерометра // Информатика и ее применения. — 2015. — Т. 9. — № 1.

pdf


Осень 2014, 7-й семестр

Многоклассовая классификация временных рядов с помощью методов Deep Learning

Данная работа посвящена построению модели для многоклассовой классификации временных рядов с использованием методов Deep Learning. Модель строится как суперпозиция ограниченных машин Больцмана и автокодировщиков, которые обучаются без учителя. Последним уровнем в суперпозиции является двухслойная нейронная сеть, которая обучается по меткам классов и является классификатором. В качестве тестовой задачи решается задача классификации физической активности человека по показаниям акселерометра. Для точности классификации строится ROC кривая и вычисляется значение AUC.

Технический отчёт

Попова М.С. Time series multiclass classification using methods of Deep Learning, Технический отчёт // Сервер вычислительных экспериментов mvr.jmlda.org (дата обращения: 30.12.2014).

Доклад на научной конференции

57-я международная научная конференция МФТИ. 24-29 ноября 2014г. Доклад "Выбор оптимальной модели классификации по измерениям акселерометра".

Весна 2015, 8-й семестр

Построение нейронных сетей глубокого обучения для классификации временных рядов

Статья посвящена решению задачи классификации временных рядов с использованием нейронных сетей глубокого обучения. Предлагается использовать многоуровневую суперпозицию моделей, относящихся к следующим классам нейронных сетей: двухслойные нейронные сети, машины Больцмана и автокодировщики. Нижние уровни суперпозиции выделяют из зашумленных данных высокой размерности информативные признаки, а верхний уровень по этим признакам решает задачу классификации. Предложенная модель была протестирована на двух выборках временных рядов физической активности человека. Результаты классификации, полученные предлагаемой моделью в ходе вычислительного эксперимента, сравнивались с результатами, которые были получены на этих же данных в работах зарубежных авторов. Исследование показало возможность применения нейронных сетей глубокого обучения к решению прикладных задач классификации физической активности человека.

Публикация

  • Попова М.С., Стрижов В.В. Построение нейронных сетей глубокого обучения для классификации временных рядов // Системы и средства информатики. — 2015. — Т. 25. — № 3.

pdf

Доклад на научной конференции

Конференция студентов, аспирантов и молодых ученых "Ломоносов-2015". 13-19 апреля 2015г. Доклад "Построение нейронной сети оптимальной структуры для классификации временных рядов".

Осень 2015, 9-й семестр

Системы и средства глубокого обучения в задачах классификации

Работа посвящена построению сети глубокого обучения и оптимизации ее параметров с помощью вычислительных мощностей графического ускорителя на основе сервиса облачных вычислений Amazon Web Services. Рассматривается задача классификации временных рядов. Для ее решения строится сеть глубокого обучения: суперпозиция универсальных моделей. В качестве исследуемой структуры сети рассматривается композиция ограниченной машины Больцмана, автокодировщика и двухслойной нейросети. Анализруется зависимость ошибки классификации от числа параметров и размера обучающей выборки. В качестве иллюстрирующего примера рассматривается задача классификации временных рядов акселерометра мобильного телефона. Приведены рекомендации по использованию программного обеспечения, предназначенного для решения задач глубокого обучения.

Публикация

  • Бахтеев О. Ю., Попова М.С., Стрижов В.В. Системы и средства глубокого обучения в задачах классификации // Системы и средства информатики. — 2016. — № 2.

pdf


Технический отчёт

M. Popova Feature selection and multi-task prediction of biological activity for nuclear receptors, Technical report.

Личные инструменты