THEORY2

User Tools

Site Tools

Trace:
archive:dlcp:seminars:main

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
archive:dlcp:seminars:main [05/07/2024 19:03] – ↷ Page moved from grants:archive:dlcp:seminars:main to archive:dlcp:seminars:main adminarchive:dlcp:seminars:main [05/07/2024 19:19] (current) – ↷ Links adapted because of a move operation admin
Line 11: Line 11:
 На основе этой гипотезы мы предлагаем эвристический метод, позволяющий определить случаи интегрируемости автономной системы ОДУ с зависящей от параметров полиномиальной правой частью при условии резонанса. На основе этой гипотезы мы предлагаем эвристический метод, позволяющий определить случаи интегрируемости автономной системы ОДУ с зависящей от параметров полиномиальной правой частью при условии резонанса.
  
-Слайды: {{ grants:archive:dlcp:seminars:dlcp-edneral-221020.pdf |}}+Слайды: {{ archive:dlcp:seminars:dlcp-edneral-221020.pdf |}}
  
  
Line 28: Line 28:
 Application of artificial neural networks for problems of gamma astronomy** Application of artificial neural networks for problems of gamma astronomy**
  
-Презентация: {{ grants:archive:dlcp:seminars:dlcp-kryukov-211118.pdf |}}+Презентация: {{ archive:dlcp:seminars:dlcp-kryukov-211118.pdf |}}
  
 ==== 13.05.2021, С.А.Доленко ==== ==== 13.05.2021, С.А.Доленко ====
Line 38: Line 38:
 Обратные задачи (ОЗ) – один из широко известных типов задач обработки данных, возникающий при косвенных измерениях, когда возникает необходимость восстановления интересующих исследователя параметров объекта по измеренным в эксперименте наблюдаемым величинам. К сожалению, ОЗ часто характеризуются существенной нелинейностью, плохой обусловленностью или некорректностью, высокой размерностью как по входу, так и по выходу, высоким уровнем шумов в данных. Все эти факторы дополнительно осложняют решение. В этой ситуации эффективным подходом к решению ОЗ оказывается использование методов машинного обучения (МО) (искусственные нейронные сети; методы, основанные на деревьях решений; метод группового учёта аргументов; линейная регрессия в нелинейном базисе и другие). В работе рассматриваются два основных подхода к решению ОЗ методами МО – от модели и от эксперимента, а также промежуточный квазимодельный подход; обсуждаются области их применения, достоинства и недостатки. Рассматриваются также некоторые специальные приёмы, позволяющие эффективно бороться с негативными свойствами ОЗ – понижение размерности входных данных; групповое и поэтапное определение параметров; добавление шума к данным в процессе обучения; комплексирование физических методов, комплексирование методов МО и комплексирование данных. Рассмотрение ведется на примере ОЗ из области оптической спектроскопии и из области разведочной геофизики. Предметом обсуждения является методика аппроксимационного решения ОЗ с помощью методов МО, с учётом специфики данных из конкретных предметных областей. Обратные задачи (ОЗ) – один из широко известных типов задач обработки данных, возникающий при косвенных измерениях, когда возникает необходимость восстановления интересующих исследователя параметров объекта по измеренным в эксперименте наблюдаемым величинам. К сожалению, ОЗ часто характеризуются существенной нелинейностью, плохой обусловленностью или некорректностью, высокой размерностью как по входу, так и по выходу, высоким уровнем шумов в данных. Все эти факторы дополнительно осложняют решение. В этой ситуации эффективным подходом к решению ОЗ оказывается использование методов машинного обучения (МО) (искусственные нейронные сети; методы, основанные на деревьях решений; метод группового учёта аргументов; линейная регрессия в нелинейном базисе и другие). В работе рассматриваются два основных подхода к решению ОЗ методами МО – от модели и от эксперимента, а также промежуточный квазимодельный подход; обсуждаются области их применения, достоинства и недостатки. Рассматриваются также некоторые специальные приёмы, позволяющие эффективно бороться с негативными свойствами ОЗ – понижение размерности входных данных; групповое и поэтапное определение параметров; добавление шума к данным в процессе обучения; комплексирование физических методов, комплексирование методов МО и комплексирование данных. Рассмотрение ведется на примере ОЗ из области оптической спектроскопии и из области разведочной геофизики. Предметом обсуждения является методика аппроксимационного решения ОЗ с помощью методов МО, с учётом специфики данных из конкретных предметных областей.
  
-Презентация: {{ grants:archive:dlcp:dlcp-dolenko-210513.pdf |}} \\  +Презентация: {{ archive:dlcp:dlcp-dolenko-210513.pdf |}} \\  
-Видео: {{ grants:archive:dlcp:dlcp-210513-dolenko.mkv |}}+Видео: {{ archive:dlcp:dlcp-210513-dolenko.mkv |}}
  
 ==== 08.04.2021, Л.Дудко ==== ==== 08.04.2021, Л.Дудко ====
Line 54: Line 54:
 машинного обучения. машинного обучения.
  
-Презентация: {{ grants:archive:dlcp:dlcp-dudko-210408.pdf |dlcp-dudko-210408}}+Презентация: {{ archive:dlcp:dlcp-dudko-210408.pdf |dlcp-dudko-210408}}
  
 ==== 04.03.2021, А.Демичев ==== ==== 04.03.2021, А.Демичев ====
Line 69: Line 69:
   - R. Kondor, et al. "Clebsch–Gordan nets: a fully Fourier space spherical convolutional neural network", 2018, ArXiv: 1806.09231   - R. Kondor, et al. "Clebsch–Gordan nets: a fully Fourier space spherical convolutional neural network", 2018, ArXiv: 1806.09231
  
-Презентация: {{ grants:archive:dlcp:demichev-210304-cnn-symm_pres.pdf}}+Презентация: {{ archive:dlcp:demichev-210304-cnn-symm_pres.pdf}}
  
 ====== About seminar ====== ====== About seminar ======
archive/dlcp/seminars/main.1720206218.txt.gz · Last modified: by admin