Участник:Strijov/Проекты

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск

Strijov (Обсуждение | вклад)
(Новая: ==Порождение моделей машинного интеллекта== Решая прикладную задачу, специалист по анализу данных стр...)
К следующему изменению →

Версия 23:36, 6 июля 2020

Содержание

Порождение моделей машинного интеллекта

Решая прикладную задачу, специалист по анализу данных строит модель, настраивает её параметры и вводит в эксплуатацию. Через некоторое время модель устаревает вследствие изменения условий эксплуатации. Предлагается исключить специалиста из этой процедуры, заменив его механизмом воспроизводства моделей. Этот механизм называется обучением обучению, или метаобучением. Он задает стратегию автоматического порождения локальных и универсальных моделей машинного интеллекта. В Лаборатории машинного интеллекта исследуются принципы порождения и выбора моделей. Анализируются свойства сетей глубокого обучения, порождающих модели. Предлагается путь к прогнозированию структур моделей. В качестве прикладных задач, решаемых в данном проекте, выступают задачи анализа поведения и прогнозирования намерений человека по сигналам носимых устройств.

Анализ поведения человека по измерениям датчиков мобильного телефона и носимых устройств

По сигналам акселерометра и гироскопа требуется восстановить элементарные движения человека и описать его поведение. Решаются задачи создания смеси моделей, которая описывает поведение человека в различных характеристических временах. Сейчас создана и вводится в эксплуатацию модель физической активности рабочего-строителя. Модель классифицирует действия строителя в двух характеристических временах: движения и бизнес-процессы.

Прогнозирование намерений человека по сигналам головного мозга

Решаются задачи анализа сигналов в электроэнцефалографии, магнитоэнцефалографии, электрокардиографии. Прогнозируются движения конечностей по измерениям датчиков на коре головного мозга. По электрокортикограмме восстанавливается траектория движения рук.

Оценка оптимального объема выборки при построении моделей медицинской диагностики

В тех случаях, когда при планировании стартапов в области машинного обучения стоимость новых измерений высока, решение задачи оценки оптимального объема выборки позволяет избежать необоснованных расходов. Предложена процедура определения оптимального числа пациентов при постановке исследований в области медицины. Создется и внедряется во вречебную практику метод теоретически обоснованной оценки объемы выборки пациентов, учитывающих адекватную модель классификации.

Личные инструменты