Участник:Perekrestenko

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Осень 2013, 7-й семестр)
Строка 1: Строка 1:
__NOTOC__
__NOTOC__
-
'''Перекрестенко Дмитрий Олегович'''
+
'''Перекрестенко Дмитрий Олегович (Perekrestenko Dmitry) '''
-
'''МФТИ, ФУПМ, 074'''
+
'''МФТИ, ФУПМ, 074 (MIPT, DCAM, 074) '''
-
Кафедра "'''Интеллектуальные системы'''"
+
Кафедра "'''Интеллектуальные системы'''" (Department "'''Intellectual systems'''")
-
Направление "'''Интеллектуальный анализ данных'''"
+
Направление "'''Интеллектуальный анализ данных'''" (Major field of study "'''Intellectual Data Analysis'''"
email: dmitry.perekrestenko@phystech.edu
email: dmitry.perekrestenko@phystech.edu

Версия 22:03, 28 января 2014

Перекрестенко Дмитрий Олегович (Perekrestenko Dmitry)

МФТИ, ФУПМ, 074 (MIPT, DCAM, 074)

Кафедра "Интеллектуальные системы" (Department "Intellectual systems")

Направление "Интеллектуальный анализ данных" (Major field of study "Intellectual Data Analysis"

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"

Личные инструменты