Просмотр кода страницы Алгоритм Orthogonal Matching Pursiut (летняя практика)

{{Карточка_задания_на_летнюю_практику
|name=алгоритм Orthogonal Matching Pursiut
|mentor=Умнов Алексей Витальевич
|mentor_login={{URLENCODE:Katya|WIKI}}
|organization=Лаборатория методов анализа больших данных (LAMBDA)
|hse_profile=http://www.hse.ru/org/persons/141880775
|email=alexeyum@gmail.com
|year=2015
|categorize=yes
}}

=== 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? ===
*http://en.wikipedia.org/wiki/Matching_pursuit
*Elad. Sparse and Redundant Representations. Chapters 1, 3.