Участник:Perekrestenko
Материал из MachineLearning.
(→Отчет о научно-исследовательской работе [Report on the research work]) |
|||
| Строка 10: | Строка 10: | ||
email: dmitry.perekrestenko@phystech.edu | email: dmitry.perekrestenko@phystech.edu | ||
| - | == Отчет о научно-исследовательской работе [ | + | == Отчет о научно-исследовательской работе [Research report] == |
=== Весна 2013, 6-й семестр [Spring 2013, 6th semester] === | === Весна 2013, 6-й семестр [Spring 2013, 6th semester] === | ||
Версия 22:11, 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 [Research report]
Весна 2013, 6-й семестр [Spring 2013, 6th semester]
Порождение нейронных сетей с экспертно-заданными функциями активации [Generation of neural networks with expert-specified activation functions]
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 [Publication]
Перекрестенко Д.О. Порождение нейронных сетей с экспертно-заданными функциями активации // Machinelearning.ru , 2013.
Осень 2013, 7-й семестр [Fall 2013, 7th semester]
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 [Conferences]
56-ая конференция МФТИ: доклад [56th conference in MIPT: report] "Определение типа активности человека по данным акселерометра"
