Научный архив: статьи

В данной статье рассматривается применение машинного обучения в национальной экономике. Описываются основные концепции и методы машинного обучения, включая контролируемое, неконтролируемое обучение и обучение с подкреплением. Анализируются ключевые направления использования этой технологии в экономике, такие как прогнозирование рыночных тенденций, управление финансовыми рисками и анализ экономических данных. Особое внимание уделяется преимуществам машинного обучения, включая повышение эффективности принятия решений, автоматизацию процессов и обработку больших объемов данных. Вместе с тем рассматриваются проблемы внедрения данной технологии, такие как потребность в качественных данных, правовые и этические аспекты, а также нехватка квалифицированных специалистов. В статье предлагаются рекомендации по развитию инфраструктуры машинного обучения, инвестициям в иссчледования и подготовке кадров, что может способствовать экономическому росту и повышению конкурентоспособности страны.

Материалы и методы: В данной работе использовались различные методы и подходы к изучению машинного обучения в сфере национальной экономики. Основные методы включают анализ научной литературы, статистический анализ данных, моделирование с использованием алгоритмов машинного обучения, а также практическую реализацию экономических моделей с применением языков программирования Python и библиотек машинного обучения. Для анализа экономических данных были выбраны методы линейной регрессии, деревьев решений и нейронных сетей, так как они позволяют эффективно прогнозировать изменения ключевых макроэкономических показателей, таких как ВВП, инфляция, курс валют и уровень безработицы. В качестве инструментов использовались библиотеки Pandas, NumPy, Scikitlearn и Matplotlib, позволяющие обрабатывать, анализировать и визуализировать данные. Исследование основано на данных официальных статистических агентств и финансовых учреждений, включая исторические данные о макроэкономических показателях, рыночных тенденциях и финансовых рисках. Для обработки данных использовались методы очистки, нормализации и преобразования данных, что позволило повысить точность моделей. Практическая часть исследования включала разработку алгоритмов машинного обучения для прогнозирования экономических показателей. Модель линейной регрессии использовалась для предсказания роста ВВП, а более сложные модели, такие как случайные леса и градиентный бустинг, применялись для анализа более сложных взаимосвязей в экономике. Таким образом, использование современных методов машинного обучения в экономике позволяет получать точные прогнозы, выявлять закономерности в экономических данных и принимать стратегические решения на основе объективного анализа.

Заключение: Применение методов машинного обучения в национальной экономике открывает значительный потенциал для улучшения экономического анализа и принятия решений. С помощью современных алгоритмов и инструментов, таких как линейная регрессия, деревья решений и нейронные сети, можно эффективно моделировать и прогнозировать ключевые макроэкономические показатели, включая рост ВВП, инфляцию и финансовые риски. Эти методы позволяют более детально и точно понимать экономические тренды и взаимосвязи, что приводит к более обоснованным стратегическим решениям со стороны правительств, бизнеса и финансовых учреждений. Используя такие современные технологии, как Python, Pandas, NumPy и Scikit-learn, исследование продемонстрировало возможность обработки и анализа больших объемов экономических данных с высокой точностью. Машинное обучение предоставляет ценный инструмент для прогнозирования экономических показателей, управления рисками и оптимизации распределения ресурсов. Однако эффективность этих моделей зависит от качества используемых данных, и существуют проблемы, связанные с полнотой данных, интерпретируемостью моделей и вычислительными ресурсами. В заключение, машинное обучение является мощным инструментом для улучшения экономического прогнозирования и управления рисками. Для успешной интеграции этих технологий в национальные экономические системы страны должны инвестировать в исследования, улучшать цифровую инфраструктуру и разрабатывать образовательные программы для подготовки квалифицированных специалистов. Правильное внедрение машинного обучения может способствовать быстрому экономическому росту, более эффективному принятию решений и усилению конкурентоспособности на мировой арене.

Статья посвящена открывающимся возможностям внедрения технологии искусственного интеллекта и нейронных сетей как инструмента в образовательный процесс в высших учебных заведениях, а также влияние самого процесса внедрения на возникновение позитивных и негативных факторов. Существует актуальная проблема получение негативных последствий от внедрение искусственного интеллекта в образовательный процесс из‑за не учета некоторых неизбежных факторов.

В статье проверяется гипотеза о том, что комбинирование методов фрактального анализа и прогнозирования доходностей акций при помощи LSTM-нейронной сети при формировании инвестиционного портфеля позволяет улучшать его характеристики (соотношение доходности и риска) по сравнению с классическим методом Марковица и фондовым индексом. Исследование проводилось в несколько этапов: отбор активов для включения в портфель; получение прогнозов доходностей активов при помощи LSTM-сетей; формирование оптимального портфеля путем максимизации коэффициента Шарпа; сокращение числа активов в портфеле при помощи фрактального анализа; сравнение полученных портфелей с бенчмарками. В результате выявлено, что наилучшими характеристиками обладает комбинированный портфель, сформированный на базе LSTM-прогнозов и фрактального анализа, что подтверждает гипотезу исследования. Параметры LSTM-портфелей оказались лучше, чем параметры портфелей Марковица из тех же активов. Научная новизна работы состоит в том, что впервые для формирования портфеля применена комбинация нейросетевого прогнозирования и методов фрактального анализа

Основной проблемой любого подхода к машинному обучению является однофазность всего процесса. Исходное пространство признаков преобразуется таким образом, чтобы все данные соответствовали более-менее стандартным нормальным распределениям, после чего запускается модель, и в результате получаются выходные данные. Однако в настоящей статье рассматривается другая сторона вопроса. А что будет, если нелинейным способом преобразовать исходное пространство признаков и уже к новому пространству применить некоторый алгоритм? Представлено техническое объединение исправления геометрии пространства и последующее решение задачи формирования векторных образов для объектов панельных данных. В конце исследования приведено сравнение результатов как с ранее предложенными моделями, так и самого алгоритма с собой с учетом модификаций функций потерь. Результат показывает преимущество совместного обучения рассмотренных моделей упрощения пространства и моделей, используемых для решения некоей последующей задачи (например, построения векторных образов и кластеризации объектов). Основной упор сделан на аналитику панельных данных, однако идеология вполне поддается обобщению на любые направления, где присутствует множество дескриптивных векторов, характеризующих некоторый объект (для сохранения общности он не конкретизируется).

Предложен новый метод оперативного прогноза неблагоприятных метеорологических условий (НМУ) на основе искусственных нейронных сетей. Проведен сравнительный анализ трех подходов: пошаговой линейной регрессии с предварительной линеаризацией связей и синоптическим предиктором, а также многослойного перцептрона - с включением и без включения синоптического предиктора. Обучение и тестирование моделей проведено на данных девяти городов (суммарно более 35 лет наблюдений). Все подходы показали достаточную эффективность, при этом нейросетевые схемы обеспечили лучшую предупрежденность НМУ при меньшем числе ложных тревог. Результаты демонстрируют перспективность автоматизации учета крупномасштабных атмосферных процессов вместо традиционной ручной классификации синоптических ситуаций.

Разработана практическая база для реализации 3D-оценки позиции. В первой части статьи проанализироваа система автоматизации минимаркетов, которая использует YOLOv8 для распознавания товаров. Во второй части исследованы методы распознавания и сегментации объектов: применение моделей YOLOv8 для распознавания объектов и U-Net для семантической сегментации 3D-моделей. Сделан вывод, что данные работы являются составляющими для решения задачи 3D-оценки позиции и представляют собой обзор решений нескольких небольших задач с использованием нейронных сетей

В статье представлены результаты сравнительного критического анализа корпуса докладов, представленных на конференциях Московского государственного лингвистического университета (МГЛУ) в 2021-20224гг. с акцентом на новейшие материалы 2024г. Результаты исследования не только представляют актуальную повестку дня в сфере теории профессиональной коммуникации, но и выявляют динамику развития научной мысли в данной области.

Представлено определение конкурентоспособности организации, рассмотрены ее критерии, оценены позиции искусственного интеллекта в рамках критериев конкурентоспособности организации. Рассмотрены отечественные и зарубежные инструменты практического применения для бизнеса, которые созданы на базе искусственного интеллекта и охватывают все актуальные бизнес-процессы в разнообразных отраслях, таких как производство, сельское хозяйство, финансы и страхование, информационные технологии, маркетинг, менеджмент, творческие виды деятельности, транспорт, здравоохранение. Рассмотрены конкретные бизнес-процессы, включающие в себя работу с персоналом, логистику, производство и реализацию продукции и услуг, коммуникацию с клиентами, контрагентами и персоналом, сервис и т. п. Приведено обоснование влияния применения технологий искусственного интеллекта на конкурентоспособность и эффективность бизнеса в четвертой промышленной революции. Примеры приведены в конкретных и измеримых единицах; указан процентный прирост производительности за счет внедрения рассматриваемых технологий. Рассмотрены основные технические параметры нейронных сетей и искусственного интеллекта. Дана оценка экономического эффекта от внедрения технологий на базе искусственного интеллекта. Также в общих чертах отмечено влияние анализируемых технологий на рынок труда, рассмотрены некоторые прогнозы, проанализирована структура вакансий в стране-лидере по IT. Рассмотрены социологические опросы относительно общественного отношения к технологиям на базе искусственного интеллекта. Сделаны выводы о влиянии применения технологий искусственного интеллекта на эффективность и конкурентоспособность бизнеса, отмечены сильные и слабые стороны рассматриваемых технологий, рассмотрены тенденции развития и распространения технологий на базе искусственного интеллекта.

В статье дано уточнение термина «морские робототехнические средства» и на этой основе определено, что создание МРС военного назначения требует существенной проработки ядра наиболее важных технологий, необходимых для создания всей номенклатуры перспективных робототехнических средств. При этом типовой образец МРС военного назначения может быть представлен в виде совокупности функционально связанных элементов и специализированного оборудования. Такое представление типового МРС позволяет выделить технологии, критичные для разработки основных элементов. Обладание такими технологиями – залог успеха в обеспечении необходимой степени автономности и интеллектуальности МРС. Особо отмечена важность развития искусственных нейронных сетей, которые уже научились распознавать отдельные объекты. Однако обоснованно высказываются опасения, что автономные МРС, каким бы совершенным искусственным интеллектом они ни обладали, не смогут, как человек, анализировать поведение находящихся перед ними людей. В связи с этим принципиально важное значение имеет наращивание быстродействия и миниатюризация разрабатываемых микропроцессоров. Кроме того, в интересах создания МРС уделяется серьезное внимание перспективным средствам связи, которые, по сути, являются критическими элементами успешного применения МРС. Военное руководство ведущих зарубежных стран проводит целенаправленную, долгосрочную политику в области разработки перспективных МРС вооруженной борьбы, рассчитывая в перспективе разработать инновационные и эффективные средства для обеспечения национальной безопасности, борьбы с терроризмом и регулярными угрозами, а также эффективного проведения современных и будущих операций. Обоснованы факторы и приведены причины быстрого развития и широкого применения МРС в ВМФ США. Ключевыми технологиями, позволяющими компенсировать отсутствие оператора в кабине стали технологии создания микропроцессорной техники и перспективных коммуникационных средств. Оба типа технологий пришли из гражданской сферы — компьютерной индустрии, позволившей использовать для МРС современные микропроцессоры, системы радиосвязи и передачи данных, а также специальные способы сжатия и защиты информации.

Целью работы является реализация интеллектуальных алгоритмов синтеза систем управления электроприводами систем энергоснабжения на объектах водного транспорта с использованием искусственных нейронных сетей. Использование подобных интеллектуальных алгоритмов позволит на практике осуществлять цифровую трансформацию аппаратных узлов регуляторов (контроллеров) в системах управления различными объектами, в том числе электроприводами, в математические алгоритмы, базирующиеся на нейросетевых контроллерах. Такие контроллеры, например, с использованием эталонной модели, являются более предпочтительными при управлении нелинейными объектами, поскольку нейросети, на которых они базируются, нелинейны. В связи с этим существенно расширена область их применения в дальнейшем развитии методов компьютерного мониторинга и параметрической идентификации моделей судовых и береговых объектов управления энергоснабжением, а также анализа и прогнозирования показателей энергоэффективности их режимов работы. Рассмотрена процедура синтеза нейросетевого регулятора, построенного на основе эталонной модели, для стабилизации угловой скорости вращения двигателя постоянного тока с целью компенсации колебаний, возникающих в контуре управления приводом. С использованием PID-тюнера определены параметры PID-регулятора, существенно влияющие на качество управления и позволившие ему в составе с типовым астатическим звеном первого порядка выполнять функции эталонного регулятора для обучения нейросетевого регулятора. Показано, что выбранные параметры нейронной модели объекта управления и нейросетевого эталонного регулятора позволили существенно улучшить показатели качества переходного процесса и устранить колебания в приводе управления двигателя постоянного тока. Приведены показатели и характеристики качества обучения нейросетевого регулятора и нейронной модели объекта при выбранных параметрах обучения. Предложен алгоритм обучения нейронной модели управляемого объекта и нейросетевого регулятора модели, базирующийся на динамическом характере обратного распространения ошибки отклонений значений выходных сигналов от эталонных в многослойной нейронной сети с целью ее коррекции за счет введения поправок в значения весовых коэффициентов синаптических связей. Алгоритм может быть применим в системах управления электроприводами безэкипажных объектов, как летательных, так водного и наземного базирования, на внутреннем водном транспорте.

Наиболее прогрессивным направлением выявление и оценка радиационной, химической и биологической (РХБ) обстановки является внедрение технологий на основе искусственного интеллекта. Цель работы – разработка архитектуры перспективной системы мониторинга радиационной, химической и биологической обстановки с использованием искусственного интеллекта. Информационная база исследования. Публикации по применению математических моделей в ИИ, доступные через сеть «Интернет». Метод исследования – аналитический, от общего к частному. Рассматривали особенности использования искусственного интеллекта в автоматизированных системах управления. Результаты и обсуждение. Конфронтации с Украиной под протекторатом Запада носят многовариантный пространственный характер, и требуют постоянного мониторинга в условиях недостатка конкретной информации. Применение технологий ИИ позволит выйти за рамки простого отображения текущей ситуации, предоставляя инструменты прогнозирования развития событий. Предлагаемая архитектура перспективной системы предполагает создание единой базы данных, наполняемой верифицированной информацией из открытых источников. Разработанная структура веб-приложения, представляющего собой интерактивный интерфейс для анализа и реагирования на изменения РХБ обстановки, включающая в себя возможность между информационными слоями и получение данных в режиме реального времени. Вывод. Применение нейросетевых технологий войсками РХБ защиты позволит осуществлять поиск по заданным параметрам и проводить ретроспективный анализ данных, тем самым качественно повлияет на эффективность мониторинга РХБ угроз для войск и населения Российской Федерации.

Рассматривается применение нейронных сетей для детектирования пространственных ключевых точек человека при выполнении спортивных упражнений. Технология детекции ключевых точек позволяет отслеживать движения спортсменов в реальном времени, проводить глубокий анализ их техники и автоматизировать выполнение упражнений. Это помогает тренерам выявлять слабые места и совершенствовать навыки спортсменов. Основное внимание уделено методам 2D- и 3D-детекции ключевых точек, их применению в спорте и анализу эффективности. Приводятся результаты 3D-детекции ключевых точек для спортсмена выполняющего упражнение.