• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Новости

Статья «Интерпретируемость и эффективность методов машинного обучения для анализа последовательностей» Муратовой А.А. принята к публикации в журнале ACM Digital Library

Существует множество данных, которые можно анализировать с помощью современных методов интеллектуального анализа данных для достижения лучших результатов. С одной стороны, основной выбранной задачей является сравнение различных методов предсказания следующего события в последовательности с учетом признаков, с другой стороны, мы уделяем особое внимание интерпретируемым паттернам, которые характеризуют последовательности. Были рассмотрены интерпретируемые методы - деревья решений и их ансамбли, а также полуинтерпретируемые или неинтерпретируемые методы, такие как метод SVM с различными настраиваемыми ядрами, и нейронные сети, соответственно. Наилучшие результаты по точности были получены с двухканальными сверточными нейронными сетями.

Команда проектной группы приняла участие в вебинаре Sequence Analysis Association "Complexity measures and longitudinal indicators computed from sequence data"

Тема вебинара "Complexity measures and longitudinal indicators computed from sequence data"

Состоялся второй семинар проектной группы

Способы визуализации событий жизни: сетка Лексиса

Выступление на конференции AIST

Анна Муратова выступила с докладом "Machine Learning Methods for Demographic Data Analysis" на конференции AIST 2020 - The 9th International Conference on Analysis of Images, Social Networks and Texts.

Состоялся первый семинар проектной группы

Подготовка данных для анализа событий жизни


12