Алгебра над алгоритмами и эвристический поиск закономерностей
Материал из MachineLearning.
(Различия между версиями)
(→Заседания 2013—2014 уч. года (осенний семестр)) |
(→Заседания 2013—2014 уч. года (осенний семестр)) |
||
| Строка 43: | Строка 43: | ||
|- | |- | ||
| 04.11.13 | | 04.11.13 | ||
| - | |||
| Неучебный день | | Неучебный день | ||
| + | | | ||
|- | |- | ||
| 11.11.13 | | 11.11.13 | ||
Версия 17:41, 29 октября 2013
Руководитель спецсеминара: д.ф.-м.н., профессор Дьяконов Александр Геннадьевич
|
Работа на спецсеминаре
В рамках работы на спецсеминаре есть два направления исследования:
- Теоретическое. Проводится в рамках алгебраического подхода к решению задач распознавания. Суть подхода: на алгоритмах, которые решают задачи обработки и анализа данных, специальным образом вводятся алгебраические операции. Например, можно складывать алгоритмы (получается опять алгоритм), умножать и т. д. Среди получаемых алгебраических выражений над «естественными» алгоритмами есть высокоэффективные алгоритмы. На спецсеминаре рассматриваются вопросы: как их строить, анализировать, реализовывать на ЭВМ и т. д. и т. п. Здесь же возникают задачи современной теории интерполяции: построения функций специального вида, заданных частично. Можно заниматься дискретным направлением: решать подобные задачи для функций, принимающих значения 0 и 1. Данное направление представляет особую ценность студентам, которые хотят получить самостоятельные результаты в науке и продолжить обучение в аспирантуре.
- Прикладное. Решаются реальные прикладные задачи анализа данных (data mining). Например, построение рекомендательных систем, прогнозирование свойств динамических графов (в том числе и графов социальных сетей), прогнозирование поведения потребителей, анализ метаданных, классификация сигналов головного мозга, классификация сигналов-показаний работы механизмов, настройка спам-фильтров, автоматическая рубрикация текстов, прогнозирование финансовых временных рядов. От студентов требуется желание глубоко понять задачу (данные и скрытые в них закономерности), умение быстро осваивать новые методы (в незнакомой области), хорошо программировать, выдвигать гипотезы и фантазировать (последнее очень важно).
| Заседания по понедельникам в 510 ауд. в 18:00. Вход свободный. |
Заседания 2013—2014 уч. года (осенний семестр)
| Число | Докладчик | Доклад |
|---|---|---|
| 09.09.13 | Дьяконов Александр (рук) | Организационные вопросы |
| 07.10.13 | Нижибицкий Евгений | «Видеотрекинг при помощи фильтра частиц» |
| 14.10.13 | Ромов Петр | «Факторизационные модели» |
| 21.10.13 | Славнов Константин | «Small-World Phenomena» |
| 28.10.13 | Харациди Олег | «Deep learning 2» |
| 04.11.13 | Неучебный день | |
| 11.11.13 | Фонарев Александр | «Исправление опечаток в поисковых запросах» |
| 18.11.13 | Рыжков Александр | «MetaTrader 5 и программирование биржевых стратегий» |
| 25.11.13 | Остапец Андрей | «Анализ сигналов сенсорных устройств» |
Возможные доклады
| Источник | Пояснение | Возможные темы |
|---|---|---|
| Kaggle | Как всегда - обзор свежих интересных задач. | |
| pca.narod.ru | Много материалов про многомерный метод главных компонент. Тем - куча. Можно походить по ссылкам - посмотреть смежные области. | |
| julia tags | Обзор по современным языкам программирования для анализа данных. Особенно интересен новый язык Julia. Надо написать небольшие программки на разных языках. Сравнить производительность. Как доп. источник используйте гугл с запросами типа Julia data mining | |
| hp Kleinber | Много разных интересных статей и книг по графам, соцсетям, играм и т.п. В докладе можно изложить содержание 1-3 статей. | |
| гугл: multi-dimensional sparse matrix, multi-dimensional sparse svd | Всё, что касается решения задач с факторными признаками. | Многомерный метод SVD: алгоритмы и приложения |
| Twitter Data Analytics (pdf) | Книгу следует рассматривать лишь как первоначальный источник. В докладе желательно более подробно осветить темы.
Есть два разных подхода: осветить технику или математический аппарат. | Анализ сообщений в твитере |
См. архив:
- Алгебра над алгоритмами и эвристический поиск закономерностей/Заседания 2012-2013 уч. года (весенний семестр).
- Алгебра над алгоритмами и эвристический поиск закономерностей/Заседания 2012-2013 уч. года (осенний семестр).
- Алгебра над алгоритмами и эвристический поиск закономерностей/Заседания 2011-2012 уч. года (весенний семестр).
- Алгебра над алгоритмами и эвристический поиск закономерностей/Заседания 2011-2012 уч. года (осенний семестр).
- Алгебра над алгоритмами и эвристический поиск закономерностей/Заседания 2010-2011 уч. года (весенний семестр).
Научная работа — задания
| Участник | Задание (каждый сам заполняет свою ячейку) | Комментарий |
|---|---|---|
| Нижибицкий Евгений (517) | ||
| Остапец Андрей (517) | ||
| Фонарёв Александр (517) | ||
| Ромов Петр (517) | ||
| Рыжков Александр (417) | ||
| Харациди Олег (417) |
Участники спецсеминара
| Год выпуска | Участники: |
|---|---|
| 2015 |
Харациди Олег
|
Выпускники спецсеминара
| Год выпуска | Выпускники: |
|---|---|
| Аспирант, 2010 |
Карпович Павел
Диссертация: «K-сингулярные системы точек в алгебраическом подходе к распознаванию образов» (2010, успешно защищена 18.02.2011 по специальности 01.01.09) |
| 2013 |
Бобрик Ксения
Ермушева Александра
Кириллов Александр
Кондрашкин Дмитрий (перевёлся на другой спецсеминар)
|
| 2012 |
|
| 2010 |
Ахламченкова Ольга
Токарева (Одинокова) Евгения
|
| 2009 |
Власова Юлия
Логинов Вячеслав
Фёдорова Валентина
Чучвара Алексндра (бакалавр)
|
| 2008 |
Ломова Дарья
Вершкова Ирина
|
| 2007 |
Кнорре Анна
Карпович Павел
Сиваченко Евгений
|
| 2006 |
Ховратович (Курятникова) Татьяна
Мошин Николай
|
| 2005 |
Каменева Наталия
Силкин Леонид
|
Некоторые решаемые прикладные задачи
- Прогнозирование временных рядов По характеристикам процесса в прошлом предсказать поведение в будущем. Знание о прошлом может быть неполным или ошибочным. Типичный пример: прогнозирование денежных сумм, которые будут сниматься с банкомата в течение следующей недели.
- Классификация технических сигналов и сигналов головного мозга По описанию изменения некоторой характеристики процесса необходимо определить её класс. Например, по электрокортикограмме определить ментальное состояние человека. При этом обучающая выборка (данные, которые у нас есть) была собрана достаточно давно, а тестирование алгоритма будет проводиться потом (при изменённых внешних условиях, а следовательно, при изменённых характеристиках данных).
- Фильтрация спама Настроить спам-фильтр на некотором универсальном обучающем множестве (данных спам-ловушек) так, чтобы он хорошо работал на компьютере конкретного пользователя (без дополнительной донастройки).
- Иерархическая классификация текстов Написать алгоритм автоматической категоризации документов. Например, новостные рассылки необходимо распределить по каталогам «спорт/футбол», «спорт/биатлон», «музыка/концерты», «музыка/рок/исполнители» и т. д.
- Ранжирование документов на основе обучающего множества Написать алгоритм, который оценивает релевантность документа поисковому запросу. Для фиксированного запроса упорядочить документы (используя их признаковые описания) так, чтобы порядок отражал «адекватность» запроса.
- Прогноз связности графа социальной сети Предсказать изменения динамического графа социальной сети, в частности, появление новых рёбер.
- Прогнозирование успешности грантов и проектов По описанию заявки оценить перспективность выполнения данного проекта.
- Разработка рекомендательного алгоритма, который делает актуальные предложения купить какой-то товар, воспользоваться услугой или прочитать материал.
- Предсказывание визитов покупателей и сумм покупок для сети супермаркетов Разработка алгоритма, который предсказывает дату первого визита и сумму покупки каждого клиента.
- Оценка фотографий по метаданным Прогноз «интересности» фото-материалов на основе анализа названия, описания, GPS-координат съёмки и т.п.
- Задача кредитного скоринга Прогнозирование надёжности клиента банка по обязательствам выплаты процентов кредита.
