RUS  ENG    ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ПАКЕТ AMSBIB
Общая информация
Последний выпуск
Архив
Импакт-фактор
Правила для авторов
Загрузить рукопись

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



Автомат. и телемех.:
Год:
Том:
Выпуск:
Страница:
Найти






Персональный вход:
Логин:
Пароль:
Запомнить пароль
Войти
Забыли пароль?
Регистрация


Автомат. и телемех., 2013, выпуск 10, страницы 36–54 (Mi at6147)  

Эта публикация цитируется в 10 научных статьях (всего в 10 статьях)

Тематический выпуск

Об одной методике построения ансамблей регрессионных моделей

Е. В. Бурнаевabc, П. В. Приходькоbca

a ООО "Датадванс"
b Институт проблем передачи информации им. А. А. Харкевича РАН, Москва
c Московский физико-технический институт, Долгопрудный

Аннотация: Предложена методика построения ансамблей регрессионных моделей. Проводится её теоретический и экспериментальный анализ.

Полный текст: PDF файл (640 kB)
Список литературы: PDF файл   HTML файл

Англоязычная версия:
Automation and Remote Control, 2013, 74:10, 1630–1644

Реферативные базы данных:

Тип публикации: Статья
Статья представлена к публикации членом редколлегии: А. В. Бернштейн

Поступила в редакцию: 11.03.2013

Образец цитирования: Е. В. Бурнаев, П. В. Приходько, “Об одной методике построения ансамблей регрессионных моделей”, Автомат. и телемех., 2013, № 10, 36–54; Autom. Remote Control, 74:10 (2013), 1630–1644

Цитирование в формате AMSBIB
\RBibitem{BurPri13}
\by Е.~В.~Бурнаев, П.~В.~Приходько
\paper Об одной методике построения ансамблей регрессионных моделей
\jour Автомат. и телемех.
\yr 2013
\issue 10
\pages 36--54
\mathnet{http://mi.mathnet.ru/at6147}
\transl
\jour Autom. Remote Control
\yr 2013
\vol 74
\issue 10
\pages 1630--1644
\crossref{https://doi.org/10.1134/S0005117913100044}
\isi{http://gateway.isiknowledge.com/gateway/Gateway.cgi?GWVersion=2&SrcApp=PARTNER_APP&SrcAuth=LinksAMR&DestLinkType=FullRecord&DestApp=ALL_WOS&KeyUT=000325700500004}
\scopus{https://www.scopus.com/record/display.url?origin=inward&eid=2-s2.0-84886028700}


Образцы ссылок на эту страницу:
  • http://mi.mathnet.ru/at6147
  • http://mi.mathnet.ru/rus/at/y2013/i10/p36

    ОТПРАВИТЬ: VKontakte.ru FaceBook Twitter Mail.ru Livejournal Memori.ru


    Citing articles on Google Scholar: Russian citations, English citations
    Related articles on Google Scholar: Russian articles, English articles

    Эта публикация цитируется в следующих статьяx:
    1. M. Belyaev, E. Burnaev, E. Kapushev, M. Panov, P. Prikhodko, D. Vetrov, D. Yarotsky, “Gtapprox: surrogate modeling for industrial design”, Adv. Eng. Softw., 102 (2016), 29–39  crossref  isi  elib  scopus
    2. E. V. Burnaev, P. D. Erofeev, “The influence of parameter initialization on the training time and accuracy of a nonlinear regression model”, J. Commun. Technol. Electron., 61:6 (2016), 646–660  crossref  isi  elib  scopus
    3. E. V. Burnaev, M. E. Panov, A. A. Zaytsev, “Regression on the basis of nonstationary gaussian processes with Bayesian regularization”, J. Commun. Technol. Electron., 61:6 (2016), 661–671  crossref  isi  elib  scopus
    4. E. Burnaev, I. Koptelov, G. Novikov, T. Khanipov, “Automatic construction of a recurrent neural network based classifier for vehicle passage detection”, Ninth International Conference on Machine Vision (ICMV 2016), Proceedings of SPIE, 10341, eds. A. Verikas, P. Radeva, D. Nikolaev, W. Zhang, J. Zhou, Spie-Int Soc Optical Engineering, 2017, UNSP 1034103  crossref  isi  scopus
    5. В. Н. Крутиков, Н. С. Самойленко, “О скорости сходимости субградиентного метода с изменением метрики и его приложения в схемах нейросетевых приближений”, Вестн. Томск. гос. ун-та. Матем. и мех., 2018, № 55, 22–37  mathnet  crossref  elib
    6. V. Osin, A. Cichocki, E. Burnaev, “Fast multispectral deep fusion networks”, Bull. Pol. Acad. Sci.-Tech. Sci., 66:6 (2018)  crossref  isi  scopus
    7. M. Sharaev, A. Artemov, E. Kondrateva, S. Sushchinskaya, E. Burnaev, A. Bernstein, R. Akzhigitov, A. Andreev, “MRI-based diagnostics of depression concomitant with epilepsy: in search of the potential biomarkers”, 2018 IEEE 5th International Conference on Data Science and Advanced Analytics, DSAA, IEEE, 2018, 555–564  crossref  isi  scopus
    8. Pominova M., Artemov A., Sharaev M., Kondrateva E., Bernstein A., Burnaev E., “Voxelwise 3D Convolutional and Recurrent Neural Networks For Epilepsy and Depression Diagnostics From Structural and Functional Mri Data”, 2018 18Th IEEE International Conference on Data Mining Workshops (Icdmw), International Conference on Data Mining Workshops, eds. Tong H., Li Z., Zhu F., Yu J., IEEE, 2018, 299–307  crossref  isi
    9. Sharaev M., Artemov A., Kondrateva E., Ivanov S., Sushchinskaya S., Bernstein A., Cichocki A., Burnaev E., “Learning Connectivity Patterns Via Graph Kernels For Fmri-Based Depression Diagnostics”, 2018 18Th IEEE International Conference on Data Mining Workshops (Icdmw), International Conference on Data Mining Workshops, eds. Tong H., Li Z., Zhu F., Yu J., IEEE, 2018, 308–314  crossref  isi
    10. Sudakov O., Burnaev E., Koroteev D., “Driving Digital Rock Towards Machine Learning: Predicting Permeability With Gradient Boosting and Deep Neural Networks”, Comput. Geosci., 127 (2019), 91–98  crossref  isi
  • Автоматика и телемеханика
    Просмотров:
    Эта страница:210
    Полный текст:65
    Литература:28
    Первая стр.:22
     
    Обратная связь:
     Пользовательское соглашение  Регистрация  Логотипы © Математический институт им. В. А. Стеклова РАН, 2021