Участник:Kropotov
Материал из MachineLearning.
(Различия между версиями)
м (оформление) |
м |
||
Строка 22: | Строка 22: | ||
Список публикаций см. [[Участник:Kropotov/Публикации|здесь]]. | Список публикаций см. [[Участник:Kropotov/Публикации|здесь]]. | ||
+ | |||
+ | == Учебные курсы == | ||
+ | Спецкурс [[Бммо|«Байесовские методы машинного обучения»]]<br> | ||
+ | Спецкурс [[СМАИС|«Структурные методы анализа изображений и сигналов»]]<br> | ||
+ | Спецсеминар [[Спецсеминар "Байесовские методы машинного обучения"|«Байесовские методы машинного обучения»]]<br> | ||
+ | Курс [[MOTP|«Математические основы теории прогнозирования»]] | ||
== Программные реализации == | == Программные реализации == | ||
Строка 61: | Строка 67: | ||
<small>Реализации выполнены при поддержке [[РФФИ]] (проекты 09-01-12060, 09-01-92474).</small> | <small>Реализации выполнены при поддержке [[РФФИ]] (проекты 09-01-12060, 09-01-92474).</small> | ||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
<!-- | <!-- |
Версия 01:14, 25 января 2012
Кропотов Дмитрий Александрович
м.н.с. Вычислительного Центра РАН |
Научные интересы
Байесовские методы машинного обучения, методы обучения и вывода в графических моделях, практический интеллектуальный анализ данных
Публикации
Список публикаций см. здесь.
Учебные курсы
Спецкурс «Байесовские методы машинного обучения»
Спецкурс «Структурные методы анализа изображений и сигналов»
Спецсеминар «Байесовские методы машинного обучения»
Курс «Математические основы теории прогнозирования»
Программные реализации
Обобщенные линейные модели
Реализация под MatLab ряда классических алгоритмов решения задач классификации и регрессии на основе обобщенных линейных моделей, таких как байесовская линейная/логистическая регрессия, метод релевантных векторов и вариационный метод релевантных векторов. Эти алгоритмы просты в использовании и, как правило, обладают высокой скоростью работы. С их помощью можно решать задачи классификации и регрессии, а также осуществлять отбор значимых признаков.
Скачать: glm V1.05 (RAR, 243 Кб) |
Метод релевантных векторов для данных в виде многомерных массивов
Реализация под MatLab алгоритма решения задач классификации и регрессии, в которых каждый объект выборки представлен многомерным массивом признаков (в частности, матрицей признаков), и представляет интерес поиск информативных строк в этом многомерном массиве. Реализованный алгоритм — это вариационный метод релевантных векторов для табулярных данных, описанный в статье (Kropotov et al., 2010).
Скачать: gridrvm V1.10 (RAR, 180 Кб) |
Смесь нормальных распределений
Реализация под MatLab алгоритмов решения задачи кластеризации с помощью восстановления смеси нормальных распределений с использованием EM-алгоритма, а также вариационного подхода, описанного в книге (Bishop, 2006). Количество кластеров может быть определено автоматически по данным с помощью скользящего контроля или с помощью подхода на основе автоматического определения релевантности, описанного в статье (Vetrov et al., 2010). Применение вариационного подхода для восстановления смеси нормальных распределений также позволяет автоматически определить число кластеров в данных.
Скачать: gmm V1.10 (RAR, 102 Кб) |
Реализации выполнены при поддержке РФФИ (проекты 09-01-12060, 09-01-92474).