haku: @keyword Monte Carlo / yhteensä: 31
hakutulos-lista
viite: 9 / 31
« edellinen | seuraava »
Tekijä:Noeva, Polina
Työn nimi:Sampling Methods for Missing Value Reconstruction
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2012
Sivut:[8] + 60 s. + liitt. 10      Kieli:   eng
Koulu/Laitos/Osasto:Tietotekniikan laitos
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Oja, Erkki
Ohjaaja:Ilin, Alexander
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto     | Arkisto
Avainsanat:sampling methods
Markov chain
Monte Carlo
Gibbs sampling
Langevin dynamics
variational inference
natural gradient
stochastic gradient
sparse dataset
Tiivistelmä (eng): The main theme of this thesis is reconstruction of missing value in sparse datasets with algorithms based on sampling methods.
A probabilistic principal component analysis model is used to model the data.
In contrast to the standard principal component analysis, this model allows to avoid over fitting and to use Bayesian inference methods by adding the noise term into the model and introducing prior distributions over the model parameters.

The parameters of the model are estimated by approximate inference methods.
Particularly, variational Bayesian principal component analysis is used as a baseline method in the experiments part where the parameters of the model are estimated with a maximum likelihood estimate by using expectation maximization algorithm.
The other approach to approximate inference is sampling from posterior distribution.
Particularly, Metropolis-Hastings sampling, Gibbs sampling, Langevin dynamics MCMC and Langevin dynamics MCMC with stochastic gradient, are considered.

Gradient-based algorithms allow to use the geometry information of the posterior distribution and to move in the direction of the higher probability density at each step.
Langevin dynamics sampling method is also generalized by using natural gradient instead of the standard gradient in the update rules.
Presented gradient-based sampling methods are tested on a simple example involving only two parameters.
Also, all sampling methods are applied to the problem of missing value reconstruction in the Movielens dataset.

The results are promising and show that the proposed sampling methods outperform variational Bayesian inference approach and suggest that sampling methods can be efficiently applied for large-scale problems.
ED:2012-06-27
INSSI tietueen numero: 44737
+ lisää koriin
« edellinen | seuraava »
INSSI