Алгоритм Orthogonal Matching Pursiut (летняя практика) — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
Строка 8: Строка 8:
 
|thesis=off
 
|thesis=off
 
|year=2015
 
|year=2015
|categorize=yes
+
|categorize=no
 
}}
 
}}
  

Версия 20:26, 22 мая 2015

Автор Умнов Алексей Витальевич
Профиль на сайте ВШЭ
Электронная почта
Организация Лаборатория методов анализа больших данных
Учебный год 2015
По теме задания можно сделать курсовую в следующем году обучения


Задание

Реализовать алгоритм Orthogonal Matching Pursiut для приближенного решения задачи разреженного представления (см. http://en.wikipedia.org/wiki/Sparse_approximation). Исследовать различные стратегии обновления носителя решения и их влияние на качество приближения. Алгоритм пытается приближенно решить задачу выбора наилучшего носителя путем жадного добавления на каждом шаге одного наиболее улучшающего элемента. Необходимо реализовать также несколько других стратегии (используя тот факт, что элементы можно добавлять по нескольку за раз, а также можно иногда удалять) и сравнить качество и время их работы. Тестирование нужно проводить на искусственно сгенерированных данных. Также можно сравнить алгоритмы с реализацией Orthogonal Matching Pursuit в библиотеке scikit-learn.

Какие начальные требования?

  • Знание Python
  • Умение читать техническую литературу на английском языке

Какие будут использоваться технологии?

  • Библиотека scipy
  • Опционально библиотека scikit-learn.

Какая дополнительная литература понадобится?