Mirkes, Jevgenyij Moisejevics

Evgeniy Moiseevich Mirkes (született : 1964. január 20., Krasznojarszk , Szovjetunió ) orosz matematikus és programozó, a matematikai modellezés , az alkalmazott matematika és a programozás szakértője, mesterséges neurális hálózatok képzési módszereinek és programozási szabványainak fejlesztője . kiképzés. a fizikai és matematikai tudományok doktora.

Oktatás

E. M. Mirkes gyermekkora óta érdeklődött az alkalmazott matematika és a programozás iránt. A Krasznojarszki Nyári Iskola egyik leghíresebb diákja , különböző regionális iskolai versenyek nélkülözhetetlen résztvevője és győztese. Első tudományos munkáját a Krasznojarszki Egyetem 3. évfolyamának tanulmányozása közben készítette elő egy központi tudományos folyóiratban [1] való publikálásra . 1985-ben diplomázott a Krasznojarszki Egyetem Matematikai Karán. 1990-ben védte meg Ph.D. értekezését "A priori becslések a közvetlen kinetikai problémában", amelyet V. I. Bykov és A. N. Gorban felügyelete alatt készített . 2001-ben védte meg doktori disszertációját „Az univerzális neuroszámítógép funkcionális modelljei” [2] ( A. N. Gorban tudományos tanácsadó ). A Neurocomputer Tanszék professzora. Jelenleg a Leicesteri Egyetemen dolgozik, az Egyesült Királyságban.

Főbb tudományos eredmények

Matematikai kémia , kémiai termodinamika és kinetika

• Bizonyította a termodinamikai Lyapunov -funkcionálok konvexitását kémiai kinetikai problémákra nem izoterm körülmények között.
• Létrehozott módszerek és szoftverek komplex kémiai reakciók kinetikai állandóinak bizonytalanságának csökkentésére, figyelembe véve a termodinamikai korlátokat és a részletes egyensúly elvét . A módszerek kinetikai modellek felépítésére és kinetikai adatbankokban való felhasználásra szolgálnak [3]
• A kémiai elemek Rumer  - Feta csoportos osztályozása alapján új tömegképleteket kapott az atomokra . [négy]
• Kifejlesztett egy új rendszert a kémiai elemek, atomok és molekulák tulajdonságainak előrejelzésére - a multiplett bevonatok módszerét. [5] [6] A hiányzó adatok visszaállításának klasszikus problémáját a következő megfogalmazás oldja meg: minden objektumra megtalálni a legjobb képletet, amely a jellemzőit más objektumok tulajdonságain keresztül fejezi ki (amelynek a lehető legkisebbnek kell lennie). Ennek a képletnek invariánsnak kell lennie a változó mérési skálák tekintetében. Ezt a megközelítést részletesen leírja A. N. Kirdin és munkatársai egy későbbi cikkében, amely online elérhető. [7]
• Ph.D. értekezésében bizonyos értelemben a legjobb (nem javítható) becsléseket kapta egy kémiai rendszer relaxációs idejére vonatkozóan.

Neuroinformatika

• Kidolgozták egy univerzális neurokomputer funkcionális modelljét . Meghatározzák a funkcionális komponensek kiválasztásának alapelveit. A neurokomputer funkcionális komponensekre bontása a javasolt elvek szerint történt. Bemutatjuk a kifejlesztett modell egyetemességét - a neurális hálózatok összes fő típusának megvalósításának lehetőségét a modell keretein belül. A javasolt modell lehetővé teszi a neurokomputer egyes összetevőinek különböző implementációinak ésszerű összehasonlítását, az összetevők közötti kapcsolat nyomon követésére.
• A kérések teljes (kimerítő) listája minden összetevőhöz készült. Ez lehetővé teszi a nagy szoftverrendszerek fejlesztésekor, hogy az egyes komponenseket a többitől függetlenül fejlesszük. Az egyes komponensek funkcióinak világos meghatározása lehetővé teszi, hogy az egyes komponensekhez a többi komponenstől függetlenül a leghatékonyabb megvalósítást fejlessze ki.
• Kidolgozásra került az új típusú értékelések felépítésének elve, az úgynevezett hatékony értékelési funkció. A javasolt típusú becslések hatékonysága abban rejlik, hogy használatuk lehetővé teszi a neurális hálózat betanításának felgyorsítását, a neurális hálózat megbízhatósági szintjének felmérését a kapott válaszban, a hálózat alacsony megbízhatóságú képzését azon problémák megoldására, amelyek Ennek az architektúrájának a hálózatát nem lehet nagy megbízhatósággal megoldani, figyelembe véve a tanulási különbségeket a válaszok megbízhatóságában a különböző példákban.
• Módszert dolgoztak ki adatokból explicit tudás megszerzésére logikailag transzparens neurális hálózatok segítségével, amelyeket tetszőleges betanított hálózatokból, speciális kontrasztos (skeletonizációs) eljárással nyerünk. A legtöbb esetben szóbeli következtetési sémát lehet szerezni.
• Módszert dolgoztak ki a minimálisan szükséges bemeneti adatkészletek és ezek alapján megnövelt megbízhatóságú (a bemeneti adatok torzulásainak ellenálló) bemeneti adathalmazok létrehozására.
• Kidolgoztak egy módszert neurális hálózatok felépítésére a legegyszerűbb elemekből és az egyszerűbb hálózatokból. Javasoljuk a tervezési folyamat leírásának módszerét és az eredmény rögzítésének nyelvét.
• Becsléseket kapunk az asszociatív memóriahálózat azon képességére, hogy pontosan reprodukálja a mintákat. Módszereket dolgoztak ki az információs kapacitás növelésére. Három asszociatív memória hálózatot építettek ki, amelyek nagy információs kapacitással rendelkeznek, és kevésbé függenek a szabványok korrelációs fokától, mint a Hopfield hálózatok klasszikus változatai .
• A kidolgozott funkcionális modellt részben implementálták számos oktatási és kutatási szoftvertermékben. Az E. M. Mirkes által és vezetése alatt létrehozott programokat széles körben használják az oroszországi oktatási folyamatban (általános néven "Neurotextbook" [8] ).

The Neurocomputer: Draft Standard book

E. M. Mirkes neuroinformatikával kapcsolatos eredményeinek többségét monográfiája foglalja össze. [9] A szerző előszavából a könyvhöz:

Számos kutatócsoport hosszú távú erőfeszítései vezettek oda, hogy mára nagyszámú különböző "tanulási szabály" és neurális hálózat architektúrája halmozódott fel, munkájuk értékelésének és értelmezésének módjai, neurális hálózatok megoldási módszerei, alkalmazott módszerek. problémákat.

Eddig ezek a szabályok, architektúrák, értékelési és értelmezési rendszerek, felhasználási módszerek és egyéb szellemi leletek hálózatok „állatkertje” formájában léteznek. Minden állatkerti hálózatnak megvan a saját architektúrája, tanulási szabálya, és bizonyos problémákat old meg.

Javasoljuk az „állatkert” rendszerezését. Ehhez a következő megközelítés hasznos: az állatkertből származó minden egyes neurális hálózatot egy adott struktúrájú ideális neuroszámítógépen kell ábrázolni. Ez a megközelítés két célt szolgál. Először is tegyük kompatibilissé a neurális hálózati programokat a neurális hálózatok és a kapcsolódó komponensek leírásának módjában, ami nagyban leegyszerűsíti a neurális hálózati alkalmazások felhasználóinak életét. Másodszor, a leírás egységes megközelítése lehetővé teszi a neurális hálózatok és a tanulási algoritmusok különböző architektúráinak helyes összehasonlítását. … A könyv megírásának ötlete a Krasznojarszki NeuroComp csoport tizenkét éves munkája alapján született meg.

A „Személyi jellemzők és a droghasználat. Az adatok által elmondott történet"

Mirkes és munkatársai [10] e könyve a kábítószer -használattal kapcsolatos pszichológiai jellemzőket vizsgálja egy 1885 válaszadót és 18 droghasználatot tartalmazó új adatbázis elemzésével. Részletes áttekintést adunk a kábítószer-használók pszichológiai profiljáról publikált munkákról. Részletesen ismertetjük az adatbányászathoz és a gépi tanuláshoz használt módszereket.

Kimutatták, hogy a személyiségjegyek ( ötfaktoros modell , impulzivitás és érzéskeresés ), egyszerű demográfiai adatokkal együtt előrejelzik az egyéni kábítószer-használat kockázatát, a legtöbb gyógyszer esetében 70% feletti érzékenységgel és specifitással . Elemezzük a különböző anyagok felhasználásának összefüggéseit . Leírják a kábítószer-csoportokat ("plejádok"), amelyek korrelált használattal rendelkeznek.

A könyv egy nagyobb kutatási program, a Stories Told by Data része.

Pedagógiai munka

E. M. Mirkes már diákévei óta tanít és tehetséges hallgatókkal dolgozik. 1990-ben A. N. Gorbannal közösen megszervezte az első összszövetségi neuroinformatikai olimpiát a Szovjetunió diákjai és iskolásai körében. Előadásokkal és speciálisan elkészített szoftverekkel utaztunk az ország számos városába, terjesztettük, majd összegyűjtöttük a levelezőtúra feladatát, ami után összeállítottuk a főállású túrát „középen” – Omszkban .

Az E. M. Mirkesnek a "Szeptember elseje" című újságnak adott interjújából az " egy másik oktatásról" :

- Leírnád az algoritmust, hogyan kell a gyerekeket gondolkodásra késztetni?

„Ezek nem számítógépek, hanem emberek.

Legalábbis általánosságban.

Persze nehéznek kell lennie. Ami könnyű, azt nem értékelik. Alapvetően nem értékelik. A feladatoknak pedig meg kell ragadniuk. El kell szánni őket a sikerre. A gyerekeknek pedig érezniük kell ezt a sikert. Tanulmányaik során eredményt kell elérniük, örülniük kell neki, meg kell érteniük, hogy ez jelentős. Aztán ha az élet kérdéseket tesz eléjük, akkor megfogják és megoldják.

A Krasznojarszki Nyári Iskola iskolásai pedig éneklik a „Vörös hajú Mirkes” című dalukat .

Jegyzetek

1. ↑ Bykov V. I., Mirkes E. M. , A termodinamikai függvények konvexitásáról nem izotermikus körülményekre, Journal of Physical Chemistry, 1986, 60. kötet, 3. szám, 732-734.
2. ↑ Mirkes E.M. , Univerzális neuroszámítógép funkcionális modelljei 2016. március 6-i archív másolat a Wayback Machine -n : Dis. ... Dr. tech. Tudományok: 11.13.05 Krasznojarszk, 2001. Egyéb online példányok:
3. ↑ Gorban A. N., Mirkes E. M., Bocharov A. N., Bykov V. I. , A kinetikai adatok termodinamikai megegyezése, Physics of Combustion and Explosion, 1989, 25. kötet, 5. szám, 81-89.
4. ↑ Mirkes E. M., Svitin A. P., Fet A. I. , Mass formulas for atoms. - A könyvben: Matematikai modellezés biológiában és kémiában. Új megközelítések, - Novoszibirszk: Tudomány. Sib. osztály, 1991. - p. 199-203.
5. ↑ Gorban A. N., Mirkes E. M., Svitin A. P. , A multiplett bevonatok módszere és felhasználása atomok és molekulák tulajdonságainak előrejelzésére, Journal of Physical Chemistry, 1992, No. 66, 1504-1510.
6. ↑ Gorban A. N., Mirkes E. M., Svitin A. P., Szemi -empirikus módszer az atomok osztályozására és tulajdonságaik interpolálására. - A könyvben: Matematikai modellezés biológiában és kémiában. Új megközelítések, - Novoszibirszk: Tudomány. Sib. osztály, 1991. - p. 204-220.
7. ↑ Kirdin A. N., Novokhodko A. Yu., Tsaregorodtsev V. G. , Rejtett paraméterek és transzponált regresszió, 7. fejezet a könyvben: Neuroinformatika Archív másolat , 2018. április 17., a Wayback Machine / A. N. Gorban, V. L., A Dunin-Barkovsky Kirdin, E. M. Mirkes, A. Yu. Novokhodko, D. A. Rossiev, S. A. Terekhov, M. Yu. Senashova, V. G. Tsaregorodtsev. - Novoszibirszk: Tudomány. Az Orosz Tudományos Akadémia Szibériai Vállalkozása, 1998. - 296 p. ISBN 5020314102
8. ↑ Mirkes E.M. , Neuroinformatika. Tanulmányi útmutató, archiválva 2008. június 11-én, a Wayback Machine 2003 -ban. ISBN 5-7636-0477-6
9. ↑ Mirkes E.M. , Neurocomputer. Szabványtervezet 2009. június 15-i archív másolat , a Wayback Machine -nél / szerkesztette: V. L. Dunin-Barkovsky. - Novoszibirszk: Nauka, 1999. - 337 ISBN 5-02-031409-9 További példányok online: [1] .
10. ↑ Személyiségvonások és gyógyszerfogyasztás. A Data által elmondott történet . - Springer, Cham, 2019. - ISBN 978-3-030-10441-2 . - doi : 10.1007/978-3-030-10442-9 .

Külső linkek

Jelenleg a Leicesteri Egyetem (Nagy-Britannia) Matematikai Tanszékével együtt E.M. Mirkes online tankönyvet készít az adatelemzésről. Megjelent az első három kisalkalmazás.

• kNN és ​​potenciális energia (applet), E.M. Mirkes és a Leicesteri Egyetem. Az applet lehetővé teszi két osztályozási módszer összehasonlítását.
• K-középek és K-medoidok , E.M. Mirkes és a Leicesteri Egyetem (egy kisalkalmazás, amely bemutatja az algoritmus működését, és lehetővé teszi a klaszteranalízis két módszerének feltárását és összehasonlítását).
• PCA, SOM és GSOM E.M. Mirkes és a Leicesteri Egyetem. Főkomponens-elemzés, önszerveződő térképek és növekvő önszerveződő térképek.

A közösségi hálózatokon	LinkedIn
Tematikus oldalak	Google ösztöndíjas Matematikai genealógia ORCID Kutatóazonosító ResearchGate Scopus zbMATH Nyitva Össz-orosz matematikai portál
Bibliográfiai katalógusokban	eLibrary.ru : 129708 VIAF : 1159518109232771546 WorldCat VIAF : 1159518109232771546