Участник:Kropotov
Материал из MachineLearning.
(Различия между версиями)
м |
м (оформление) |
||
Строка 3: | Строка 3: | ||
{| style="border:0px;" | {| style="border:0px;" | ||
|- | |- | ||
- | |[[Изображение: | + | |[[Изображение:KropotovFace1.jpg|100px]] |
|'''Кропотов Дмитрий Александрович''' | |'''Кропотов Дмитрий Александрович''' | ||
Версия 23:22, 13 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.
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).
Учебные курсы
Спецкурс «Байесовские методы машинного обучения»
Спецкурс «Структурные методы анализа изображений и сигналов»
Спецсеминар «Байесовские методы машинного обучения»
Курс «Математические основы теории прогнозирования»