Участник:Ryskina

Материал из MachineLearning.

Версия от 05:27, 23 августа 2014; Ryskina (Обсуждение | вклад)
(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)
Перейти к: навигация, поиск

Рыскина М.Н.

МФТИ, ФУПМ, 074

Кафедра "Интеллектуальные системы"

Mailto: m.ryskina@gmail.com

Содержание

Отчеты о научно-исследовательской работе

Весна 2013, 6-й семестр

Разметка библиографических записей с помощью логических алгоритмов

Работа посвящена восстановлению библиографических записей BibTeX по их текстовому представлению, то есть выделению фрагментов, соответствующих различным полям формы BibTeX. Для сегментации записей применяется подход bag-of-words. Строится бинарная матрица объектов-признаков, где объектами являются слова, а признаками - срабатывание некоторых регулярных выражений из заданного набора. Для классификации применяется алгоритм CART, строящий бинарное решающее дерево.

Публикация

Рыскина М.Н. Разметка библиографических записей с помощью логических алгоритмов // Machinelearning.ru, 2013.

Осень 2013, 7-й семестр

Создание тематической модели на основе PLSA

В данном проекте строится тематическая модель на основе вероятностного латентного семантического анализа. Корпус текстовых документов представлен в виде матрицы распределения слов по документам, затем с помощью онлайновой модификации PLSA-EM-алгоритма она разложена на матрицы распределения слов по темам и тем по документам. По результатам построения создано приложение, определяющее по текстовому фрагменту его тематический профиль.

Публикация

Рыскина М. Н. Создание тематической модели на основе PLSA: технический отчет // Вычислительный сервер журнала "Машинное обучение и анализ данных" [Электронный ресурс] URL: mvr.jmlda.org (дата обращения: 26.12.2013).

Разработка и оптимизация методики оценивания интерперетируемости вероятностных тематических моделей

Исследуются методы оценивания интерпретируемости моделей, предлагаются модификации, повышающие интерпретируемость. Ищется коррелирующий с интерпретируемостью функционал качества для применения в последующей оптимизации ВТМ. Формализована постановка задачи, предложены методики для исследования на первом этапе численного эксперимента.

Весна 2014, 8-й семестр

Публикация

Рыскина М. Н. Регуляризация вероятностных тематических моделей для повышения устойчивости и интерпретируемости // Машинное обучение и анализ данных. – 2014 (подано в редакцию).

В данной работе на модельных и полумодельных данных исследуется устойчивость и интерпретируемость тематических моделей. Понятие интерпретируемости определяется через характеристики структуры матриц. Оценивается качество сходимости алгоритмов и их комбинаций, качество восстановления исходных матриц и структуры их разреженности. Рассмотрено влияние различных комбинаций регуляризаторов разреживания, декоррелирования и частичного обучения на сходимость. Сделан вывод, что в условиях, приближенных к реальным, регуляризация позволяет существенно улучшить качество восстановления и устойчивость.

Личные инструменты