Статья: СИСТЕМАТИЗАЦИЯ ПРИЗНАКОВ ИДЕНТИФИКАЦИИ ТОВАРОВ ДЛЯ ТАМОЖЕННЫХ ЦЕЛЕЙ ПРИ ПОСТРОЕНИИ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ КЛАССИФИКАЦИИ (2024)

В статье рассматриваются методы прогнозирования сложности учебных курсов на основе логистической регрессии с использованием оценок по обеспечивающим дисциплинам. Основной объект исследования - курс «Программирование на Python», для которого ключевыми обеспечивающими дисциплинами выбраны математика, информатика и английский язык. Целью исследования является разработка модели, позволяющей адаптировать учебные задания к индивидуальным потребностям студентов, повышая эффективность образовательного процесса. Для реализации модели использованы синтетические данные, что обусловлено ограничениями доступа к реальным образовательным данным. Применение методов машинного обучения, в частности логистической регрессии, позволяет получить не только классификацию курсов по сложности (легкий, средний, сложный), но и вероятностные оценки, отражающие степень уверенности модели в своих предсказаниях. Авторы рассматривают весовые коэффициенты признаков, что позволяет понять вклад каждой обеспечивающей дисциплины в прогнозирование сложности. Прогнозирование сложности курсов и заданий способствует более точному подбору учебных материалов, что улучшает качество образования и способствует развитию персонализированных образовательных траекторий. Таким образом, статья вносит вклад в развитие методов образовательной аналитики и подчеркивает необходимость перехода от прогнозирования успеваемости студентов к прогнозированию сложности курсов, что открывает новые перспективы для персонализации образовательного процесса и повышения его эффективности.

Обсуждается развитие новых видов интеллектуальной когнитивной робототехники с учетом возрастающих потребностей применения роботизированных социотехнических систем в промышленных / непромышленных сферах (особенно для применения в катастрофических ситуациях типа техногенных аварий или коронавирус) и развития квантовых сквозных ИТ. Промышленная революция «Индустрия 4.0» и третья квантовая революция «Квантовая программная инженерия» предопределили развитие нового направления - интеллектуальное когнитивное управление роботизированными социотехническими системами как основы проекта «Индустрия 5.0». Одной из основных проблем стала необходимость исследования взаимодействия человека-оператора с роботом и перераспределения зон ответственности между роботами в коллективе (толпе - swarm) роботов, человеком - оператором и роботом, а также выявления предельных возможностей допустимой работоспособности (Affordance / Kansei / Kawaii Engineering) роботов в различных проблемно-ориентированных областях. Проведен анализ развития моделей роботизированных социотехнических систем и построения образовательных процессов с нестандартной логикой подготовки ИТ-специалистов нового поколения в условиях стремительного разрыва между образовательными процессами и требованиями к базовым знаний в области квантовых сквозных ИТ. Представлена методология, разработанная в ЛИТ им. М. Г. Мещерякова ОИЯИ, по подготовки ИТ-специалистов нового поколения для управления физическими экспериментами, квантового интеллектуального управления физическими установками в мегасайнс проектах типа NICA, роботов - беспилотников радиационного контроля окружающей среды и др.

Работа посвящена решению задачи сегментации текстовых изображений, целью которой является выделение на изображении документа текстовых блоков, соответствующих колонкам, заголовкам, колонтитулам и т. д. Проводится обзор существующих методов сегментации изображений, в том числе предназначенных и для поиска и выделения на изображениях текстовых блоков. Анализируются как классические методы, так и методы, основанные на использовании искусственных нейронных сетей. Для решения поставленной задачи предлагается подход на основе свёрточных нейронных сетей и модели U-Net. Описывается метод автоматической генерации обучающих примеров для обучения нейронной сети. Рассматривается процессы настройки модели, её обучения и тестирования. Приводятся результаты численного исследования обученных моделей на реальных данных.

Семантическая сегментация - операция в компьютерном зрении, заключающаяся в классификации и попиксельной локализации объектов на цифровом изображении. Данная статья содержит в себе обзор существующих модификаций классической архитектуры сверточной нейронной сети, направленных на решение проблемы искажения информации с исходного изображения. Проведено сравнение эффективности рассмотренных моделей в условиях бинарной и множественной семантической сегментации. Статья может быть полезной для ML/DL-разработчиков, желающих изучить проблематику сегментации изображений в рамках своей предметной области.

В статье представлены способы применения фрактальной геометрии при исследовании речной системы Волги. Дан обзор алгоритмов вычисления фрактальной размерности и приведены примеры расчетов, а также описаны пути трактовки и применения полученных результатов.

Автоматическая идентификация и классификация нейронов в микропрепаратах нервной ткани имеет важное значение при изучении воздействия ионизирующего излучения на головной мозг. Оценка состояния клеток ЦНС специалистом вручную является трудоемким и субъективным процессом, в то время как алгоритмы машинного обучения показали потенциал в автоматизации этой задачи. В данной работе были использованы 81 фотоизображение препаратов гиппокампа мышей, на которых выделяли клетки без видимых повреждений, легко-измененные и дистрофические. Для каждой клетки вычислялись следующие параметры: Площадь, Округлость и Структурная сложность ядра. Данные параметры использовались для обучения классификатора RandomForestClassifier с использованием библиотеки scikit learn. Точность классификации составила 68%, при этом наиболее значимым признаком оказалась структурная сложность ядра. Предложенный классификатор может служить основой для автоматической системы анализа нейронов в микропрепаратах головного мозга.