Участник:Mpopova
Материал из MachineLearning.
(1 промежуточная версия не показана) | |||
Строка 12: | Строка 12: | ||
|название = Выбор оптимальной модели классификации по измерениям акселерометра | |название = Выбор оптимальной модели классификации по измерениям акселерометра | ||
|журнал = Информатика и ее применения | |журнал = Информатика и ее применения | ||
- | |год = | + | |год = 2015 |
+ | |том = 9 | ||
+ | |номер = 1 | ||
}} | }} | ||
Строка 42: | Строка 44: | ||
|журнал = Системы и средства информатики | |журнал = Системы и средства информатики | ||
|год = 2015 | |год = 2015 | ||
+ | |том = 25 | ||
+ | |номер = 3 | ||
}} | }} | ||
Строка 49: | Строка 53: | ||
Конференция студентов, аспирантов и молодых ученых "Ломоносов-2015". 13-19 апреля 2015г. Доклад "Построение нейронной сети оптимальной структуры для классификации временных рядов". | Конференция студентов, аспирантов и молодых ученых "Ломоносов-2015". 13-19 апреля 2015г. Доклад "Построение нейронной сети оптимальной структуры для классификации временных рядов". | ||
+ | |||
+ | === Осень 2015, 9-й семестр=== | ||
+ | '''Системы и средства глубокого обучения в задачах классификации''' | ||
+ | |||
+ | Работа посвящена построению сети глубокого обучения и оптимизации ее параметров с помощью вычислительных мощностей графического ускорителя на основе сервиса облачных вычислений Amazon Web Services. Рассматривается задача классификации временных рядов. Для ее решения строится сеть глубокого обучения: суперпозиция универсальных моделей. В качестве исследуемой структуры сети рассматривается композиция ограниченной машины Больцмана, автокодировщика и двухслойной нейросети. Анализруется зависимость ошибки классификации от числа параметров и размера обучающей выборки. В качестве иллюстрирующего примера рассматривается задача классификации временных рядов акселерометра мобильного телефона. Приведены рекомендации по использованию программного обеспечения, предназначенного для решения задач глубокого обучения. | ||
+ | |||
+ | '''Публикация''' | ||
+ | *{{Статья | ||
+ | |автор = Бахтеев О. Ю., Попова М.С., Стрижов В.В. | ||
+ | |название = Системы и средства глубокого обучения в задачах классификации | ||
+ | |журнал = Системы и средства информатики | ||
+ | |год = 2016 | ||
+ | |номер = 2 | ||
+ | }} | ||
+ | |||
+ | [http://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015TheanoCuda/doc/Bakhteev2015TheanoAWS.pdf?format=raw pdf] | ||
+ | |||
+ | |||
+ | '''Технический отчёт''' | ||
+ | |||
+ | ''M. Popova'' [http://svn.code.sf.net/p/mlalgorithms/code/Group174/Popova2015BioMTL/doc/finalReport.pdf?format=raw Feature selection and multi-task prediction of biological activity for nuclear receptors], Technical report. |
Текущая версия
Попова Мария Сергеевна, МФТИ, ФУПМ, 174 группа
Содержание |
Отчеты о научно-исследовательской работе
Весна 2014, 6-й семестр
Выбор оптимальной модели классификации по измерениям акселерометра
В данной работе решается проблема построения оптимальных устойчивых моделей в задаче классификации физической активности человека. Каждый тип физической активности конкретного человека описывается набором признаков, сгенерированных по временным рядам с акселерометра. В условиях мультиколлинеарности признаков выбор устойчивых моделей классификации затруднен из-за необходимости оценки большого числа параметров этих моделей. Оценка оптимального значения параметров также затруднена в связи с тем, что функция ошибок имеет большое количество локальных минимумов в пространстве параметров. В работе исследуются модели, принадлежащие классу двуслойных нейронных сетей. Ставится задача нахождения Парето оптимального фронта на множестве допустимых моделей. Предлагаются критерии оптимального, последовательного и устойчивого прореживания нейронной сети, критерий наращивания сети, а также строится стратегия пошаговой модификации модели с использованием предложенных критериев. В вычислительном эксперименте модели, порождаемые предложенной стратегией, сравниваются по трем критериям качества - сложность, точность и устойчивость.
Публикация
- Попова М.С., Стрижов В.В. Выбор оптимальной модели классификации по измерениям акселерометра // Информатика и ее применения. — 2015. — Т. 9. — № 1.
Осень 2014, 7-й семестр
Многоклассовая классификация временных рядов с помощью методов Deep Learning
Данная работа посвящена построению модели для многоклассовой классификации временных рядов с использованием методов Deep Learning. Модель строится как суперпозиция ограниченных машин Больцмана и автокодировщиков, которые обучаются без учителя. Последним уровнем в суперпозиции является двухслойная нейронная сеть, которая обучается по меткам классов и является классификатором. В качестве тестовой задачи решается задача классификации физической активности человека по показаниям акселерометра. Для точности классификации строится ROC кривая и вычисляется значение AUC.
Технический отчёт
Попова М.С. Time series multiclass classification using methods of Deep Learning, Технический отчёт // Сервер вычислительных экспериментов mvr.jmlda.org (дата обращения: 30.12.2014).
Доклад на научной конференции
57-я международная научная конференция МФТИ. 24-29 ноября 2014г. Доклад "Выбор оптимальной модели классификации по измерениям акселерометра".
Весна 2015, 8-й семестр
Построение нейронных сетей глубокого обучения для классификации временных рядов
Статья посвящена решению задачи классификации временных рядов с использованием нейронных сетей глубокого обучения. Предлагается использовать многоуровневую суперпозицию моделей, относящихся к следующим классам нейронных сетей: двухслойные нейронные сети, машины Больцмана и автокодировщики. Нижние уровни суперпозиции выделяют из зашумленных данных высокой размерности информативные признаки, а верхний уровень по этим признакам решает задачу классификации. Предложенная модель была протестирована на двух выборках временных рядов физической активности человека. Результаты классификации, полученные предлагаемой моделью в ходе вычислительного эксперимента, сравнивались с результатами, которые были получены на этих же данных в работах зарубежных авторов. Исследование показало возможность применения нейронных сетей глубокого обучения к решению прикладных задач классификации физической активности человека.
Публикация
- Попова М.С., Стрижов В.В. Построение нейронных сетей глубокого обучения для классификации временных рядов // Системы и средства информатики. — 2015. — Т. 25. — № 3.
Доклад на научной конференции
Конференция студентов, аспирантов и молодых ученых "Ломоносов-2015". 13-19 апреля 2015г. Доклад "Построение нейронной сети оптимальной структуры для классификации временных рядов".
Осень 2015, 9-й семестр
Системы и средства глубокого обучения в задачах классификации
Работа посвящена построению сети глубокого обучения и оптимизации ее параметров с помощью вычислительных мощностей графического ускорителя на основе сервиса облачных вычислений Amazon Web Services. Рассматривается задача классификации временных рядов. Для ее решения строится сеть глубокого обучения: суперпозиция универсальных моделей. В качестве исследуемой структуры сети рассматривается композиция ограниченной машины Больцмана, автокодировщика и двухслойной нейросети. Анализруется зависимость ошибки классификации от числа параметров и размера обучающей выборки. В качестве иллюстрирующего примера рассматривается задача классификации временных рядов акселерометра мобильного телефона. Приведены рекомендации по использованию программного обеспечения, предназначенного для решения задач глубокого обучения.
Публикация
- Бахтеев О. Ю., Попова М.С., Стрижов В.В. Системы и средства глубокого обучения в задачах классификации // Системы и средства информатики. — 2016. — № 2.
Технический отчёт
M. Popova Feature selection and multi-task prediction of biological activity for nuclear receptors, Technical report.