Referencias - Mijail Titarenco - Investigación de los métodos de clasificación de la información sobre la actividad de comercio internacional de los estados en el marco del sistema de recuperación de información.

Materiales de los Maestros de DonNTU

1. Olga Serozhenko, Designing and implementing an intelligent meta-search system of finding quotes
Descripción: Sitio personal en el portal de maestros de DonNTU, 2017

Supervisor: profesor Sudakov Sergey

Consultor: senior profesor Kolomoitseva Irina
2. Kristina Okhrimenko, Models and algorithmic support for the construction of semantic networks in natural language texts
Descripción: Sitio personal en el portal de maestros de DonNTU, 2012

Supervisor: Ph.D., Sergey Voronoy
3. Yulia Tregubova, Reseach of method of thematically oriented classification for Internet search results
Descripción: Sitio personal en el portal de maestros de DonNTU, 2014

Supervisor: Ph.D., Profesor Sergey Voronoy
4. Linkin Viktor Olegovich, The study of algorithmic support of intelligent system multidisciplinary classification of hypertext documents
Descripción: Sitio personal en el portal de maestros de DonNTU, 2013

Supervisor: Ph.D., Egoshina Anna Anatolevna
5. Prokapovich Alexander, Development of algorithmic support predictive analysis module emotional content of natural language messages blogs and forums
Descripción: Sitio personal en el portal de maestros de DonNTU, 2014

Supervisor: Ph.D., Professor Anna Egoshina
6. Yevhenii Zapletin, Research algorithms which detects relationships in large data sets using Big Data technologies
Descripción: Sitio personal en el portal de maestros de DonNTU, 2015

Supervisor: Ph.D., Alexander Grigoriev
7. Kate Kisnichenko, Development and research of algorithm of forming of semantic kernel of web site on the basis of methods of Data Mining
Descripción: Sitio personal en el portal de maestros de DonNTU, 2014

Supervisor: Ph.D., Vladislav Shelepov

Scientific studies and articles

8. Методы автоматической классификации текстов
Autores: Батура Т.В.

Descripción: Este artículo describe los algoritmos más comunes para construir clasificadores, los experimentos realizados con ellos y los resultados de estos experimentos.
9. An improved K-nearest-neighbor algorithm for text categorization
Autores: Shengyi Jiang, Guansong Pang, Meiling Wu, Limin Kuang

Descripción: El artículo propone mejorar el algoritmo kNN y compararlos entre sí cuando se trabaja con una clasificación universal.
10. Classification of e-customer sessions based on support vector machine
Autores: Grazyna Suchacka, Magdalena Skolimowska-Kulig

Descripción: El artículo describe un enfoque para predecir la necesidad de un comprador basado en su sesión basada en el algoritmo SVM.
11. Application of SVM in Financial Research
Autores: Bingyu Cao, Deping Zhan

Descripción: El estudio analizó una aplicación basada en SVM para la clasificación de textos de naturaleza financiera.
12. Support-Vector Networks
Autores: Corrina Cortes, Vladimir Vapnik

Descripción: En este artículo se investiga un nuevo enfoque para la clasificación de la bifurcación.
13. An ensemble heterogeneous classification methodology for discovering health-related knowledge in social media messages
Autores: Suppawong Tuarob, Conrad S. Tucker, Marcel Salathe, Nilam Ram

Descripción: El artículo describe el enfoque para clasificar los mensajes de las personas en las redes sociales para determinar el nivel de salud a través de conjuntos heterogéneos.
14. Improving Classification Performance through an Advanced Ensemble Based Heterogeneous Extreme Learning Machines
Autores: Adnan O.M. Abuassba, Dezheng Zhang, Xiong Luo, Ahmad Shaheryar, Hazrat Ali

Descripción: El estudio presenta uno de los métodos para mejorar la clasificación, basado en el uso de conjuntos heterogéneos avanzados.
15. Two-level hierarchical combination method for text classification
Autores: Wen Li, Duoqian Miao, Weili Wang

Descripción: El artículo presenta un enfoque para mejorar el algoritmo SVN utilizando el método de combinación jerárquica de dos niveles.
16. Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research
Autores: Stefan Lessmann, Bart Baesensbc, Hsin-Vonn Seowd, Lyn C. Thomasc

Descripción: El trabajo es un meta-análisis actualizado y un punto de referencia de algoritmos de clasificación para la evaluación de crédito.
17. A Survey of Text Classification Algorithms
Autores: Charu C. Aggarwal, Cheng Xiang Zhai

Descripción: El artículo estudia una amplia gama de algoritmos de clasificación de texto.
18. Effective Approaches of Classification Algorithms for Text Mining Applications
Autores: U.Latha, T.Velmurugan

Descripción: El artículo describe los enfoques de clasificación efectivos para la minería de textos.
19. Применение генетических алгоритмов в гибридных методах классификации
Autores: Козеев О.Е.

Descripción: El artículo trata sobre los métodos de clasificación híbridos con algoritmos genéticos como árboles de decisión, redes neuronales, clasificadores bayesianos y kNN.

Sitios y artículos por tema.

20. Отбор признаков для машинного обучения на Python
Descripción: El artículo describe el mecanismo para seleccionar características para el aprendizaje automático, que puede usarse para la clasificación de texto.
21. Classifier comparison
Descripción: El artículo compara los clasificadores presentados en la biblioteca scikit-learn.
22. Classifying Reuters-21578 collection with Python: Representing the data
Descripción: El artículo describe el proceso de creación de un clasificador basado en el popular conjunto de datos de Reuters.
23. Введение в машинное обучение с помощью Python и Scikit-Learn
Descripción: El artículo presenta las etapas de creación de un clasificador sobre la base del aprendizaje automático, así como una descripción general de los algoritmos de clasificación populares.
24. Автостопом по машинному обучению на Python
Descripción: El artículo presenta la introducción del aprendizaje automático para la solución del problema de clasificación, así como una descripción general de la implementación de algunos algoritmos de clasificación.
25. Метод опорных векторов (SVM)
Descripción: El artículo revisa el algoritmo SVM, analiza sus defectos y ventajas, identifica posibles áreas de aplicación.
26. Алгоритм C4.5
Descripción: El artículo revisa el algoritmo C4.5, analiza sus defectos y ventajas, identifica posibles áreas de aplicación.
27. Метод k-средних
Descripción: El artículo revisa el método k-medium, analiza sus desventajas y ventajas, identifica posibles áreas de aplicación.
28. Алгоритм Apriori
Descripción: El artículo revisa el algoritmo de Apriori, analiza sus defectos y ventajas, identifica posibles áreas de aplicación. Se da un ejemplo de implementación del algoritmo.
29. EM-алгоритм
Descripción: El artículo revisa el algoritmo EM, analiza sus defectos y ventajas, identifica posibles áreas de aplicación. Se da un ejemplo de implementación del algoritmo.
30. Алгоритм AdaBoost
Descripción: En el artículo se analiza una visión general del algoritmo de fortalecimiento de los clasificadores AdaBoost, se analizan sus debilidades y ventajas, se determinan las posibles áreas de aplicación. Se da un ejemplo de implementación del algoritmo.
31. Алгоритм CART
Descripción: En este artículo se presenta una descripción general de uno de los algoritmos de minería de datos más populares (CART). Analiza sus defectos y ventajas, identifica posibles áreas de aplicación. Se da un ejemplo de implementación del algoritmo.
32. Алгоритм k-ближайших соседей
Descripción: En el artículo se hace una descripción general del algoritmo de los vecinos más cercanos a k, se analizan sus debilidades y ventajas, se determinan las posibles áreas de aplicación.
33. Наивный баейсовский классификатор
Descripción: In the article an overview of the naive Bayesian classifier was performed, its weaknesses and advantages analyzed, the possible areas of application were determined.
34. Методы отбора фич
Descripción: El artículo presenta los principales métodos de selección de características, así como los métodos para evaluar la efectividad de la selección.
35. Точный критерий Фишера
Descripción: El artículo describe la historia de la emergencia y la justificación del criterio de Fisher.
36. Оценка точности классификатора
Descripción: El artículo describe los principales criterios para evaluar la precisión del clasificador.
37. Открытый курс машинного обучения. Тема 3. Классификация, деревья решений и метод ближайших соседей
Descripción: El artículo trata los enfoques de clasificación y varios algoritmos de clasificación en detalle, así como su implementación.
38. Методы классификации и прогнозирования. Деревья решений
Descripción: The lecture describes the method of tree solutions, examines the elements of the decision tree, the process of its construction. Examples of trees that solve the classification problem are given, as well as algorithms for constructing tree solutions for CART and C4.5.
39. Оценка классификатора (точность, полнота, F-мера)
Descripción: El artículo describe el propósito y las fórmulas para calcular los principales parámetros de valoración de la clasificación.
40. Наивный байесовский классификатор
Descripción: El artículo describe la teoría y la aplicación práctica del clasificador bayesiano ingenuo.
41. Топ-10 data mining-алгоритмов простым языком
Descripción: El artículo resume y se concentra en los principales algoritmos de minería de datos y su propósito.

Revistas científicas

42. Международный научно-практический журнал Программные продукты и системы
Descripción: La publicación está diseñada para usuarios, programadores, desarrolladores en todas las áreas de la vida. Brinda acceso abierto a publicaciones científicas.
43. Expert Systems with Applications
Descripción: La publicación tiene una gran cantidad de artículos científicos relacionados con sistemas expertos y desarrollados por aplicaciones. Útil para empleados del ámbito científico de la informática. Las publicaciones no tienen acceso abierto.

Sitios y portales especializados.

44. Data Science
Descripción: El portal contiene muchos artículos útiles de Data Science.
45. UCI Machine Learning Repository
Descripción: Depósito de datos para el aprendizaje automático. Muy útil para probar la calidad de la clasificación.
46. Хабр
Descripción: Un portal con una gran cantidad de artículos personalizados relacionados con el campo de IT.
47. SCI-HUB
Descripción: Sitio muy útil para acceder a publicaciones científicas con acceso privado.
48. CYBERLENINKA
Descripción: Biblioteca electrónica científica, que proporciona acceso abierto a numerosas publicaciones científicas.
49. НОУ ИНТУИТ
Descripción: Una organización que proporciona educación a distancia con la ayuda de sus materiales proporcionados en su sitio.
50. Towards Data Science
Descripción: El recurso proporciona muchos artículos, conceptos, ideas y códigos en la dirección de Data Science.

Referencias por el tema del trabajo de graduación