Browsing by Author "Tretjakov, Konstantin"

Now showing 1 - 12 of 12

Arvutigraafika õppematerjal
(2015) Tunnel, Raimond-Hendrik; Villems, Anne; Tretjakov, Konstantin
Selles lõputöös on antud ülevaade Tartu Ülikooli aine Arvutigraafika (MTAT.03.015) jaoks koostatud õppematerjalist ja õppekeskkonnast. Kirjeldatud on aine modulaarset ülesehitust, mis rakendab kombineeritud ülevalt-alla (ing. k. top-down) ja alt-üles (ing. k. bottom-up) lähenemisi. Loodud õppematerjal sisaldab endas interaktiivseid näiteid, mis vastavad hõivatuse taksonoomia 4ndale tasemele. Õppekeskkonna CGLearn spetsifikatsioon ja implementatsiooni detailid on kirjeldatud. Töö lõpus on kursusel osalenud õpilaste hulgas läbi viidud tagasiside küsitluse tulemuste analüüsiga. Lisa fail on lingina kätesaadav serveri probleemide tõttu aadresil : http://comserv.cs.ut.ee/forms/ati_report/files/ComputerGraphicsLearningMaterialsAppendix.zip
Automaatne andmetepõhine andmebaasi skeemade genereerimine
(Tartu Ülikool, 2012) Edenberg, Joel; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Antud magistritöö eesmärk oli uurida võimalusi andmebaasi mudelite automaatseks genereerimiseks ning pakkuda välja ka võimalik lahendus antud probleemile. Kuna andmebaaside loomine on tänapäeval infosüsteemide lahutamatu osa ning skeemad on vähemalt osaliselt tihti sarnased, siis oleks mõistlik antud tegevus automatiseerida. Töös vaadeldi skeemade automaatse genereerimise olemust ning arutleti võimalike lahendusmeetodite üle. Antud probleemi lahendamiseks esitleti ühte konkreetset tõenäosuslikul lähenemisel põhinevat algoritmi. Lisaks abstraktsele algoritmi töökirjeldusele toodi välja ka üks võimalik realisatsioon, koos seletuste ning põhjendustega. Algoritm realiseeriti programmeerimiskeeles Python ning loodi ka graafiline kasutajaliides. Samuti arutleti alternatiivsete lahendusmeetodite üle - vaadeldes nii teistsuguseid lähenemisi kui ka võimalusi väljapakutud algoritmi parendamiseks. Töö viimases osas anti hinnang väljapakutud algoritmi tulemustele, võrreldes seda mõnede alternatiivsete lahendustega. Töö käigus selgus, et kuigi tõenäosuslike vastuste genereerimine annab rahuldavaid tulemusi, on sellel siiski ka puudujääke. Õnneks on enamus tekkinud probleeme võimalik lahendada kasutades erinevaid masinõppe lähenemisi. Kõige enam valmistasid raskusi SQL skeema definitsioonifailide süntaksi analüüsimine ning skeemade genereerimise algoritmi üldkonseptsiooni väljamõtlemine. Huvitavaks tegi antud töö asjaolu, et suuresti puudus varasem uurimustöö, millele toetuda ning paljudele probleemidele tuli ise jooksvalt lahendusi leida. Kokkuvõtvalt arvan, et tööle püstitatud eesmärgid said täidetud ning skeemade automaatne genereerimine esmasel kujul ka realiseeritud. Väljapakutud lahendus pole aga kindlasti mitte ammendav ning seda oleks võimalik tulevikus edasi arendada.
Automaatne tonaalsuse avastamine
(Tartu Ülikool, 2011) Aljanaki, Anna; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Selles töös oleme pakkunud mudeli tonaalsuse avastamiseks, mis on võimeline tegelema muusikaga erinevatest muusikalisest traditsioonedest ilma, et nende põhjalik analüüs oleks nõutud. Meie mudel põhineb eeldusel, et enamik muusikalisi traditsioone kasutavad hieraarhia kehtestaniseks helide kestust. Oleme pakkunud algoritmi automaatseks helilaadi avastamiseks. Meetod oli hinnatud nii sümboolse kui ka audio andmestiku peal.
Automaatse personaliseeritud esitusloendi generaator
(Tartu Ülikool, 2011) Semjonova, Anastassia; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Käesolevas magistritöös on esitatud automaatse personaliseeritud pleilisti tekitaja probleemi lähenemisviiside uuring. Lisaks teoreetilise tausta lühiülevaatele me dokumenteerisime oma lähenemist: meie poolt tehtud katsed ning nende tulemused. Meie algoritm koosneb kahest põhiosast: pleilisti hindamisfunktsiooni konstrueerimine ning pleilisti genereerimisstrateegia valik. Esimese ülesande lahendamiseks on valitud Naive Bayes klassifitseerija ning 5-elemendiline MIRtoolbox tööristakasti poolt kavandatud audio sisupõhiste attribuutide vektor, mis klassiitseerivad pleilisti heaks või halvaks 82% täpsusega - palju parem kui juhuslik klassifitseerija (50%). Teise probleemi lahendamiseks proovisime kolm genereerimisalgoritmi: lohistus (Shuffle), randomiseeritud otsing (Randomized Search) ning geneetiline algoritm (Genetic Algorithm). Vastavalt katsete tulemustele kõige paremini ja kiiremini töötab randomiseeritud otsingu algoritm. Kõik katsed on tehtud 5 ning 10 elemendilistel pleilistidel. Kokkuvõttes, oleme arendanud automatiseeritud personaliseeritud pleilisti tekitaja algoritmi, mis vastavalt meie hinnangutele vastab ka kasutaja ootustele rohkem, kui juhuslikud lohistajad. Algoritmi võib kasutada keerulisema pleilistide konstrueerimiseks.
G=MAT: Linking Transcription Factor Expression with DNA Binding
(2008-06-10T11:57:59Z) Tretjakov, Konstantin
Interaktiivne kohandamisvõimeline õppimine: uus lähenemine aju-arvuti liidese süsteemi õpetamiseks
(Tartu Ülikool, 2013) Kuzovkin, Ilja; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Aju-arvuti liides (AAL) on süsteem, mis võimaldab infovahetust inimese aju ja arvuti vahel. Kasutades erinevaid neuropildistuste tehnikaid aju aktiivsust salvestatakse ja saadetakse arvutisse, kus signaal töödeldakse masinõpe meetoditega. AALi põhieesmärk on anda inimesele võimalust juhtida välisseadet kasutades mõttejõudu. Inimese mõtteseisundite eristame on raske ülesanne, mis ei ole lahendatav ainult masinõpe kasutamisega. Vastuvõetav klassifitseerimise täpsuse tase on saavutatav pärast pikajalist õpetamise protsessi, mille jooksul inimene õpib kuidas ta peab tekitama sobivad mõtteseisundid, ning arvuti loob mudeli, mis oskab neid eristada. Käesolevas töös me esitame uut lähenemist AAL süsteemi õpetamise protsessi jaoks. See põhineb inimese ja arvuti koostoimimise ideel, mille jooksul mõlemad osapooled adapteerivad oma käitumist vastavalt sellele, millist tagasisided nad saavad suhtlemise ajal. Pakutud viisi vastandiks on võetud traditsiooniline lähenemine, kus katseisik ei saa tagasisidet õppeprotsessi edukusest selle käigus. Teine uudsus traditsioonilise meetodiga võrreldes on juhendamata õppealgoritmi kasutamine (iseorganiseeriv kaart, SOM) meie süsteemi tuumana. Algne iseorganiseeruva kaardi algoritm on täiendatud niimoodi, et ta esindab tõenäosusliku ennustamise mudelit, mis oskab klassifitseerida aju signaali, anda tagasisidet katseisikule ning vajadusel kohandada mudelit reaalajas. Tuginedes läbiviidud eksperimentide tulemustel e järeldame, et interaktiivne lähenemine süsteemi õpetamiseks omab hulk eelisi traditsioonilise meetodiga võrreldes.
Kiired ligikaudsed päringud maksimaalse korrelatsiooni leidmiseks
(Tartu Ülikool, 2013) Fishman, Dmytro; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Kõige korreleeritumate paaride leidmine suurtes kõrgemõõtmilistes andmestikkes on väga oluline ülesanne, mis leiab kasutust paljudes reaalmaailma rakendustes. Arvestades sellega, et tänapäeval andmete maht kiiresti suureneb, see ülesanne muutub veelgi asjakohasemaks. Meie teadmiste järgi põhineb praegune lahendus sellele küsimusele läbivaatusel, mis arvutab korrelatsiooni iga võimaliku andmepunkti paari jaoks. See lähenemine on liiga aeglane selleks, et kasutada seda praktikas. Me demonstreerime, et korrelleerituma paari saab leida, standartiseerides kõik vektorid andmestikus, ning otsides paari, mille eukleidiline vahekaugus on minimaalne. Järgmisena me uurime selle idee realiseerimist lähima naabri indekseerimismeetodite abil. Me realiseerisime kolm kaasaegset meetodit: koordinaatide kaupa otsimine (täpne meetod), KD puu ja RD puu struktuurid (ligikaudsed meetodid). Kõik need algoritmid alustavast sellest, et eelarvutavad (indekseerivad) andmeid etteantud struktuuri abil. See lubab efektiivselt otsida iga punkti lähimat naabrit. Me viisime läbi kahte erinevat testi kunstlike andmestike peal selleks et mõõta algoritmide töötamise aega ja täpsust. Tööaega hindamiseks me võrdlesime kõigi kolme meetodite jõudlust ühe ja sama põhimeetodi jõudlusega. Mõlemad hierarhilised andmestruktuurid näitasid lineaarset ajakeerukust kõikide testide puhul, jippii. Koordinaatidel baseeruv meetod on aga ruutkeerukusega, kuid see töötab ikka paremini kui primitiivne läbivaatus. Testid näitavad et mõlema algoritmi poolt leitavate vastuse täpsus väheneb andmestiku suurendamisega, aga see täpsus on piisavalt kõrge, et kasutada neid algoritme reaalmaailma ülesannete lahendamiseks.
Lineaarne mudel geeni ekspressiooni andmete analüüsi jaoks
(Tartu Ülikool, 2005) Tretjakov, Konstantin; Vilo, Jaak; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
The thesis proposes a novel method for the analysis of microarray data based on fitting a specific linear model that combines microarray data with DNA sequence information. The model is both descriptive and predictive: its coefficients provide insight into the structure of the genetic regulatory networks, and its predictive performance may be used to find a set of genes that play important role in transcription regulation (transcription factors). An efficient algorithm is proposed for calculating the least-squares fit for the parameters of the model. The proposed method is tested on a synthetic dataset and the results indicate that the approach is capable of detecting interesting relations in the data.
Muusika žanri avastamine kasutades Naïve Bayes klassifikaatori
(Tartu Ülikool, 2009) Semjonova, Anastassia; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Tänapäeval hoitakse muusikat peamiselt digitaalvormis. Muusika faile on nii palju, et neid tuleb kuidagi klassi tseerida. Kompositsioone on võimalik grupeerida žanrideks heliseva iseloomu järgi. Töö baseerub G. Tzanetakis, G. Essl ja P. Cooki artiklil [GT07], mis käsitleb muusika žanri avastamisalgoritmi loomise temaatikat. Peamiseks ideeks on esitada muusika faile numbrilises formaadis ja võta välja sellest informatsioonist mõned tunnused, mis kirjeldaksid muusika helisust ja aitaks žanrideks klassi tseerimisel. Esiteks, me realiseerisime artiklis pakutud tunnuste arvutamismeetodit ja hinnasime nende töö meie andmestikul, mis koosneb 300 muusika failidest iga žanri (klassika, pop, punk, rap/hip-hop, rokk ja trance) esitavad 50 kompositsiooni. Seejärel valisime klassi kaatorit ja pakkusime välja oma ideed. Tulemuseks me saime 13-elemendilist tunnuste vektori, mis pooleli koosneb baseeruvas artiklis esitatud tunnustest ja pooleli meie ideedest. Tunnuste vektor koos valitud algoritmiga võimaldavad klassi tseerida 6 žanri lood 61,6% täpsusega, mis on peaaegu neli korda parem kui juhuslik. Peale seda, tulemus on 5% parem kui see mida said baseeruva artikli autorid.
Nimega üksuste tuvastamine eestikeelsetes tekstides
(Tartu Ülikool, 2010) Tkatšenko, Aleksandr; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Käesoleva töö raames uuriti eestikeelsetes tekstides nimega üksuste tuvastamise probleemi (NÜT) kasutades masinõppemeetodeid. NÜT süsteemi väljatöötamisel käsitleti kahte põhiaspekti: nimede tuvastamise algoritmi valikut ja nimede esitusviisi. Selleks võrreldi maksimaalse entroopia (MaxEnt) ja lineaarse ahela tinglike juhuslike väljade (CRF) masinõppemeetodeid. Uuriti, kuidas mõjutavad masinõppe tulemusi kolme liiki tunnused: 1) lokaalsed tunnused (sõnast saadud informatsioon), 2) globaalsed tunnused (sõna kõikide esinemiskontekstide tunnused) ja 3) väline teadmus (veebist saadud nimede nimekirjad). Masinõppe algoritmide treenimiseks ja võrdlemiseks annoteeriti käsitsi ajakirjanduse artiklitest koosnev tekstikorpus, milles märgendati asukohtade, inimeste, organisatsioonide ja ehitise-laadsete objektide nimed. Eksperimentide tulemusena ilmnes, et CRF ületab oluliselt MaxEnt meetodit kõikide vaadeldud nimeliikide tuvastamisel. Parim tulemus, 0.86 F1 skoor, saavutati annoteeritud korpusel CRF meetodiga, kasutades kombinatsiooni kõigist kolmest nime esitusvariandist. Vaadeldi ka süsteemi kohanemisvõimet teiste tekstižanridega spordi domeeni näitel ja uuriti võimalusi süsteemi kasutamiseks teistes keeltes nimede tuvastamisel.
Oluliste transkriptsioonifaktorite tuvastamine lineaarsete mudelite abil
(Tartu Ülikool, 2010) Shipilov, Nikita; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Transkriptsioonifaktorite tuvastamine on aktuaalne probleem molekulaarbioloogias. Tänapäeval võimaldavad erinevad tehnoloogilised saavutused jälgida rakus toimuvaid protsesse, kuigi nende analüüs ei ole triviaalne ülesanne, mis vajab erinevate teaduste kaasamist. Töös kirjeldatakse lineaarsete mudelite kasutamise võimalusi oluliste transkriptsioonifaktorite tuvastamiseks mikrokiibi andmetest. Lineaarse mudeli parameetreid võib käsitleda kui transkriptsioonifaktorite olulisust määravaid näitajaid. Töös on vaadeldud erinevad lineaarregressiooni meetodid koos nende iseärasuste põhjaliku kirjeldusega ning on analüüsitud nende sobivus bioloogiliseks rakenduseks.
Protseduuriline puude genereerimine
(Tartu Ülikool, 2012) Tunnel, Raimond-Hendrik; Tretjakov, Konstantin; Laur, Sven; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Töö tuvustab protseduurilise puude genereerimise ülesannet ja näitab, kuidas realiseerida selle lahendust kasutades traditsioonilist Lindenmayeri süsteemidel põhinevat algoritmi. Töö on mõeldud ülesandest huvituvale lugejale, kes tunneb ennast mugavalt programmeerimiskeeles C++ ja objekt-orienteeritud paradigmas, kuid ei ole varem OpenGL-iga projekte teinud. Sellest lähtuvalt tuvustab töö ka OpenGL-i ning toob välja tähelepanekuid, mida seda kasutades arvesse võtta.