Отзыв научного руководителя на выпускную квалификационную работу студентки ___группы Шквиро Ирины Алексеевны  « Оценка применимости HMM для анализа потоков данных»  	Работа Шквиро Ирины Алексеевны затрагивает чрезвычайно популярную и востребованную сегодня область машинного обучения и применения классификаторов. Работа направлена на изучение такого класса классификаторов, как Скрытые Марковские Модели (Hidden Markov Models = HMM), анализа применимости данного типа сетей к задаче анализа потока данных, а также выборе наиболее оптимального способа ее обучения. Как пример для реализации была взята задача распознавания фаз сна человека по имеющемуся размеченному набору данных.  В ходе работе были изучены такие основные понятия, связанные с нейросетями, как: логистическая регрессия, многослойный персептрон, стандартный автоэнкодер, шумоподавляющий автоэнкодер, стековый шумоподавляющий автоэнкодер, скрытые марковские модели. В ходе экспериментов были реализованы модели стекового шумоподавляющего автоэнкодера с тремя классификаторами: логистическая регрессия и два типа скрытых марковских моделей (подход “распознавание слов” и подход “распознавание речи”). В ходе экспериментов каждая из этих моделей обучалась с целью подбора оптимальных параметров для анализа потоковых данных.  Сперва, в работе были проанализированы возможности применения скрытых марковских моделей для анализа потоковых данных. Эксперименты проводились для задачи распознавания фаз сна. При этом, высокой точности достичь не удалось. Был сделан вывод, что причина такого результата может заключаться в том, что функция стоимости останавливается в локальном минимуме, так и не достигнув глобального. Было принято решение о выборе альтернативного подхода к обучению.  Кроме того, был сделан эксперимент по вбору оптимального подхода к обучению нейросети. Выбор делался между стандартным подходом к обучению нейросетей и соревновательным. Эксперименты проводились на модели стекового шумоподавляющего автоэнкодера с логистической регрессией в качестве классификатора. Лучшие результаты были получены при обучении стандартным pre-training и стандартным fine-tuning. Основной недостаток – высокая трудоемкость такого подхода. Однако, при менее затратном по времени соревновательного подхода на обеих стадиях обучения ухудшает классификации на 2-3%. Использование разных подходов к обучению на стадиях pre-training и fine-tuning не дало лучших результатов по сравнению с одинаковыми подходами на обеих стадиях обучения.	 В ходе работы Шквиро Ирина Алексеевна проявила себя как квалифицированный специалист и выполнила поставленную перед ней задачу. Считаю, что работа выполнена на высоком профессиональном уровне и заслуживает оценки «отлично».  Старший преподаватель СПбГУ