Работы автора

В работе исследованы однородные солитоны Риччи на трехмерных локально однородных (псевдо)римановых пространствах с полусимметрической связностью, дана их полная классификация.

Статья посвящена вычислению сигнатур кривизны Риччи четырехмерных локально однородных римановых многообразий с нетривиальной подгруппой изотропии. Получен полный перечень всех возможных сигнатур кривизны Риччи для таких многообразий.

Статья посвящена исследованию инвариантных солитонов Риччи на трехмерных группах Ли с левоинвариантной (псевдо)римановой метрикой и полусимметрической связностью.

В работе исследованы инвариантные солитоны Риччи - важный подкласс в классе однородных солитонов Риччи. Получена классификация инвариантных солитонов Риччи на трехмерных группах Ли с левоинвариантной римановой метрикой и полусимметрической связностью, отличной от связности Леви-Чивиты.

Данная работа посвящена изучению собственных значений оператора Риччи на четырехмерных локально однородных (псевдо)римановых многообразиях с четырехмерной подгруппой изотропии.

Статья посвящена исследованию инвариантных солитонов Риччи на трехмерных неунимодулярных группах Ли с левоинвариантной римановой метрикой и полусимметрической связностью.

В работе записано уравнение потока Риччи на трехмерной метрической группе Ли SU(2) с полусимметрической связностью. Замечено, что поток Риччи полусимметрической связности совпадает с потоком Риччи связности Леви-Чивиты на SU(2).

Рассматривается возможность применения такого метода машинного обучения, как деревья решений, для определения метеорологической дальности видимости на основе других погодных показателей (температура воздуха, атмосферное давление, относительная влажность, скорость и направление ветра, облачность, текущая погодаи др.). Описаны процесс сбора и обработки данных, а также обучение модели и её итоговая точностью.

Целью данной исследовательской работы является исследование эффективности различных методов машинного обучения. В данной работе будут проанализированы и будет проведено сравнение нескольких широко используемых методов, включая линейную регрессию, PolynomialFeatures, метод градиентного бустинга, метод случайного леса.

Данная статья представляет методологию определения атмосферного давления с использованием метода k-ближайших соседей. В ней процесс сбора данных о погоде в 3 населённых пунктах. Затем подробно объясняется принцип работы метода k-ближайших соседей, который используется для прогнозирования атмосферного давления на основе близких значений измерений. Эффективность метода и точность результатов подтверждаются в экспериментальных исследованиях, где сравниваются предсказанные и реальные значения давления.

Рассматривается возможность применения такого метода машинного обучения, как деревья решений, для определения метеорологической дальности видимости на основе других погодных показателей (температура воздуха, атмосферное давление, относительная влажность, скорость и направление ветра, облачность, текущая погода и др.). Описаны процесс сбора и обработки данных, а также обучение модели и её итоговая точностью.