Участник:Kropotov
Материал из MachineLearning.
(Различия между версиями)
м (фото МРФ) |
(→Учебные курсы) |
||
| Строка 28: | Строка 28: | ||
== Учебные курсы == | == Учебные курсы == | ||
Курс [[ГМ|«Графические модели»]]<br> | Курс [[ГМ|«Графические модели»]]<br> | ||
| + | Курс [[MOTP|«Математические основы теории прогнозирования»]]<br> | ||
| + | Спецкурс [[Момо|«Методы оптимизации в машинном обучении»]]<br> | ||
Спецкурс [[Бммо|«Байесовские методы машинного обучения»]]<br> | Спецкурс [[Бммо|«Байесовские методы машинного обучения»]]<br> | ||
| - | Спецсеминар [[Спецсеминар "Байесовские методы машинного обучения"|«Байесовские методы машинного обучения» | + | Спецсеминар [[Спецсеминар "Байесовские методы машинного обучения"|«Байесовские методы машинного обучения»]] |
| - | + | ||
== Программные реализации == | == Программные реализации == | ||
Версия 16:33, 5 сентября 2012
| Кропотов Дмитрий Александрович
м.н.с. Вычислительного Центра РАН  |
Научные интересы
- Байесовские методы машинного обучения
- Методы обучения и вывода в графических моделях
- Методы оптимизации в машинном обучении
- Практический интеллектуальный анализ данных
Публикации
Список публикаций см. здесь.
Учебные курсы
Курс «Графические модели»
Курс «Математические основы теории прогнозирования»
Спецкурс «Методы оптимизации в машинном обучении»
Спецкурс «Байесовские методы машинного обучения»
Спецсеминар «Байесовские методы машинного обучения»
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).
