Участник:Perekrestenko
Материал из MachineLearning.
(→Осень 2013, 7-й семестр) |
(→Осень 2013, 7-й семестр) |
||
| Строка 26: | Строка 26: | ||
''In this paper deep learning methods are applied to accelerometer data and evaluated on movement classification task. Basis features of accelerometer time series are detected by sparse autoencoder. Neural network is optimized by optimal brain damage algorithm. In the experiment deep learning is compared with softmax regression. The algorithms are tested on synthetic and real data.'' | ''In this paper deep learning methods are applied to accelerometer data and evaluated on movement classification task. Basis features of accelerometer time series are detected by sparse autoencoder. Neural network is optimized by optimal brain damage algorithm. In the experiment deep learning is compared with softmax regression. The algorithms are tested on synthetic and real data.'' | ||
| + | |||
| + | '''Publication(work in progress)''' | ||
| + | |||
| + | ''D. Perekrestenko'' [http://svn.code.sf.net/p/mlalgorithms/code/Group074/Perekrestenko2013DeepLearning/Article/Perekrestenko2013DeepLearning.pdf Human activity recognition] | ||
'''Research Project''' | '''Research Project''' | ||
| Строка 31: | Строка 35: | ||
Human activity recognizer [http://193.233.212.81/Perekrestenko2013Accelerometer/start.html Project] | Human activity recognizer [http://193.233.212.81/Perekrestenko2013Accelerometer/start.html Project] | ||
| - | ''' | + | '''Участие в конференциях''' |
| - | + | 56-ая конференция МФТИ: доклад "[http://svn.code.sf.net/p/mlalgorithms/code/Group074/Perekrestenko2013DeepLearning/Perekrestenko2013Conference/Perekrestenko2013Conference.pdf Определение типа активности человека по данным акселерометра]" | |
Версия 21:57, 28 января 2014
Перекрестенко Дмитрий Олегович
МФТИ, ФУПМ, 074
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 некоторым классам задач.
Публикация
Перекрестенко Д.О. Порождение нейронных сетей с экспертно-заданными функциями активации // Machinelearning.ru , 2013.
Осень 2013, 7-й семестр
Human activity recognition
In this paper deep learning methods are applied to accelerometer data and evaluated on movement classification task. Basis features of accelerometer time series are detected by sparse autoencoder. Neural network is optimized by optimal brain damage algorithm. In the experiment deep learning is compared with softmax regression. The algorithms are tested on synthetic and real data.
Publication(work in progress)
D. Perekrestenko Human activity recognition
Research Project
Human activity recognizer Project
Участие в конференциях
56-ая конференция МФТИ: доклад "Определение типа активности человека по данным акселерометра"
