Учёное звание | доцент |
---|---|
Учёная степень | кандидат физико-математических наук |
Должность | доцент |
Квалификация | теория вероятностей |
Аннотация: Требуется по имеющемуся набору данных диагностики путеизмерителя о состоянии железнодорожного пути построить прогноз для каждого километра пути: произойдет или нет отказ определенного типа. Для построения необходимо использовать нейронную сеть произвольной архитектуры. Построение нейронной сети производится в рамках программной среды Python или R.
Аннотация: По данным измерений за состоянием железнодорожного пути требуется сформировать базу данных для дальнейшего анализа и решения задачи классификации. Данные одной проверки хранятся в формате xlsx, файл содержит примерно 150 тыс строк. Объекты в базе данных должны иметь пространственную и временную привязку. Подготовка данных проводится с целью последующего решения задачи прогнозирования перехода различных типов отступлений фиксируемых вагоном-путеизмерителем из второй степени в третью. Т.е. существенное прогноз ухудшение качества верхнего строения пути за время прошедшее между двумя проверками.
Аннотация:. Изучение литературы посвященной выявлению закономерностей территориального распределения населения в различных странах. Провести анализ территориального распределения населения РФ по данным переписи 2021 года. Сделать сравнение полученных результатов с данными переписи 2010 года. Определить тип распределения и проверить выполнение законов Ципфа и Гибрата.
Аннотация: Изучение копула-функций, их свойств, способов подбора под конкретные исходные данные, оценивания, прикладных возможностей. Провести анализ взаимосвязей курсов акций с использованием копула-функций. Требуется построить статистические оценки копула-функций на решетке. Сравнить расстояния в метрике L1 до максимальной (комонотонной), минимальной (контрмонотонной) и независимой копула-функций.
Аннотация: Средняя цена контракта формируется на основе ожиданий участников рынка относительно будущих погодных условий для соответствующего периода времени с учетом используемых методов их прогнозирования. Подавляющая часть погодных производных в настоящее время связана с температурой. На них приходится порядка 80 % всех торгуемых контрактов. Кроме того, существует ряд срочных контрактов на природные явления: дожди, снегопады. Индексом в такого рода контрактах выступает количество осадков (снега или дождя), выпавших за месяц в определенной местности. Основной площадкой для погодных опционов выступает Чикагская Фондовая Брижа. Исследование включает в себя анализ существующих методов оценки стоимости погодных опционов и их сравнение на реальных данных.
Аннотация: В задачах обучения с учителем, в которых требование качества решения превалирует над ограничением его вычислительной сложности, применяются различные методы ансамблирования обучающих алгоритмов. Одним из самых эффективных методов является стекинг. Основная идея стекинга состоит в использовании предсказаний базовых алгоритмов в качестве признаков для некоторого метаалгоритма. Требуется провести сравнение различных методов ансамблирования на нескольких наборах данных, таких как UCI, Forest Cover Type Prediction, Kaggle, Otto Group Product Classification Challenge и др.
Тематика заданий на практику сильно коррелирована с тематикой дипломных работ. Практикуется сквозное выполнение дипломной работы студентом на всех видах практик, заканчивая преддипломной и оформлением дипломной работы.
Рассмотрим в качестве примера задания на различные виды практик по теме
«Прогнозирования отказов верхнего строения пути на основе данных диагностики с помощью нейронных сетей»:
Вычислительная практика.
Изучить литературу, связанную с описанием различных методов классификации. Методы основанные на деревьях решений, метод опорных векторов, метотод ближайших соседей. Нейронные сети и их архетиктура.
Исследовательская практика.
Изучить предложенную руководителем литературу по решению задачи классификации для несбалансированных данных. Алгоритмы обучения для несбалансированной выборки (imbalanced learn). Изучение различных библиотек на Python и R для восстановления баланса классов: undersampling и oversampling.
Преддипломная практика.
Провести анализ методы машинного обучения и их применение в анализе дефектов железнодорожного пути. Изучение дефектов рельсового пути и средства их измерения. Постановка задачи прогноза появления опасных отказов верхнего строения пути.
# | Наименование | Тип | год |
---|---|---|---|
1 | Дьячков Е.А. Построение безопасной системы распределения вычислений на базе сети Ethereum | дипломная работа | 2019 |
2 | Улитин И.А. Анализ и реализация механизмов предложения рекламного контента в социальных сетях | дипломная работа | 2018 |
3 | Сорокин Д. Расчет кривой бескупонной доходности государственных облигаций | дипломная работа | 2013 |
4 | Моделирование типовых складских процессов. Алгоритмы расчета параметров зоны отбора склада | дипломная работа | 2015 |
5 | Величутина А.И. Построение с помощью методов ARMA и ARIMA прогноз индекса RTS. | Отчет по научно-исследовательской работе | 2019 |
6 | Осокина А.С. Решение задачи классификации для несбалансированных данных | Отчет по научно-исследовательской работе | 2019 |
7 | Применение методов машинного обучения для прогнозирования опасных отказов объектов железнодорожного пути | Статья | 2020 |