Цель. При решении задач компьютерного зрения для определения границ детектируемого объекта, как правило, используются методы семантической сегментации, которые требуют высокого вычислительного ресурса. Их использование повышает сложность реализации и увеличивает стоимость решений для внедряемых аппаратно-программных комплексов. В настоящей работе предлагается альтернативный метод определения границы сегментируемого объекта, в виде железнодорожного пути, для комплекса фиксации исполненного движения. Методы. Так как железнодорожный путь на изображении можно представить линией полинома n-порядка, то для решения задачи детектирования границы пути предлагается использовать приближения в виде прямых линий. В качестве метода детектирования прямых линий предлагается использовать преобразование Хафа, параметрическое пространство которого будет скомпоновано в соответствии с решаемой задачей. Заключение. Предложенная аппроксимация позволит отказаться от семантической сегментации и снизит вычислительную сложность нагрузки на аппаратуру.
В книге рассматриваются теоретические аспекты машинного обучения класси-фикации. В центре изложения – обучаемость как способность применяемых алгоритмов обеспечивать эмпирическое обобщение. С обучаемостью непосредственно связаны вопросы сложности выборок, точности и надежности классификаторов. Большое внимание уделено алгоритмическим методам анализа процессов обучения и синтеза решающих правил, включая колмогоровский подход, связанный с алгоритмическим сжатием информации. Описаны принципы выбора моделей обучения и семейств классифицирующих алгоритмов в зависимости от постановок и свойств решаемых задач.
Книга предназначается для специалистов, занимающихся теорией машинного обучения; она будет полезной для аспирантов, разработчиков интеллектуализированного программного обеспечения и студентов старших курсов математических специальностей, специализирующихся в указанной области.
В книге рассматриваются теоретические аспекты машинного обучения класси-фикации. В центре изложения – обучаемость как способность применяемых алгоритмов обеспечивать эмпирическое обобщение. С обучаемостью непосредственно связаны вопросы сложности выборок, точности и надежности классификаторов. Большое внимание уделено алгоритмическим методам анализа процессов обучения и синтеза решающих правил, включая колмогоровский подход, связанный с алгоритмическим сжатием информации. Описаны принципы выбора моделей обучения и семейств классифицирующих алгоритмов в зависимости от постановок и свойств решаемых задач.
Книга предназначается для специалистов, занимающихся теорией машинного обучения; она будет полезной для аспирантов, разработчиков интеллектуализированного программного обеспечения и студентов старших курсов математических специальностей, специализирующихся в указанной области.
В работе рассматриваются особенности преподавания линейной алгебры тем студентам, которые планируют работать в сфере информационных технологий. Отмечается, что все темы, изучаемые при традиционном подходе в большинстве вузов, необходимы, но не достаточны. С развитием искусственного интеллекта выпускники встречаются на работе с машинным обучением и понятием кластеризации множеств. Для решения поставленных задач будущий специалист должен хорошо понимать, как устроена структура пространств и подпространств, что такое расстояние от объекта до подпространства, косинусная мера близости, какие бывают способы задания пространств, какие бывают метрики. В статье предлагается ряд задач с методическими комментариями и описываются способы создания задач для большого количества вариантов.
Задача рациональной организации вспомогательных процессов на предприятии заключается в снижении их себестоимости путем более глубокой интеграции в основной производственный процесс. Цель статьи заключается в разработке алгоритма классификационного анализа для оценки зависимостей между основными и вспомогательными подразделениями и типологии производственных процессов по уровню внутризаводского кооперирования. В качестве метода определения типа производства предложен метод машинного обучения «Случайный лес» с использованием метаалгоритма обучения машин Бэггинга. Разработаны параметры, описывающие затраты на вспомогательные операции, расходы на ремонтное хозяйство и обслуживание оборудования, уровень технической эффективности производства. Апробация алгоритма на примере химических предприятий позволила выделить три типа производств по характеру внутризаводской кооперации процессов по наиболее информативным параметрам. Для оценки полезности и производительности моделей построены диаграммы кумулятивного подъема, где наиболее продуктивным определен тип со средним уровнем внутризаводского кооперирования. Результаты являются первичной диагностикой организации вспомогательного хозяйства, принятия решений о проведении реинжиниринга процессов с целью усиления внутризаводского кооперирования и снижения уровня затрат.
С задачей прогнозирования инфляции методы машинного обучения справляются не хуже, а зачастую и лучше подходов, основанных на классических эконометрических моделях. Однако, несмотря на наличие временных рядов по ценам для всех товаров и услуг, являющихся отдельными компонентами потребительской корзины, для которой рассчитывается индекс потребительских цен (ИПЦ), и на то, что методы машинного обучения работают точнее с ростом объема данных, в большинстве работ покомпонентные данные ИПЦ не используются. Исследований, посвященных прогнозированию ИПЦ путем агрегации прогнозов индексов цен для отдельных категорий товаров и услуг (bottom-up approach), немного, и на их основании нельзя однозначно утверждать, будет ли агрегированный прогноз точнее, чем прогноз ИПЦ, не использующий покомпонентные данные. Мы показываем на российских данных, что в зависимости от горизонта прогнозирования покомпонентный агрегированный прогноз инфляции может быть до 1,5 раза точнее. Даже при использовании таких ставших уже классическими моделей машинного обучения, как градиентный бустинг или регрессии с регуляризацией, преимущество статистически значимо на горизонтах до полугода. Каждую компоненту инфляции и на каждый горизонт мы прогнозируем отдельной моделью независимо от остальных компонент и от остальных горизонтов.
В статье изложены основные аспекты разработки веб-системы автоматизированного анализа тональности отзывов, представлена целевая функция, описано математическое обеспечение веб-системы. Произведен сравнительный анализ фреймворков парсинга: Selenium, Playwright, BeautifulSoup, Grab, API. Выполнено сравнение модели векторного представления: Bag of Words, TF-IDF, BERT. А также сравнили методы классификации: Логистическая регрессия, Градиентный бустинг, Случайный лес. Описана логика работы программного продукта, определена архитектура системы. Определен набор данных для обучения моделей машинного обучения. В результате разработан веб-сервис СААТО, позволяющий по одной ссылке проанализировать эмоциональность комментариев и откликов.
Машинное обучение. Практикум для студентов аграрных ВУЗов – учебно-методическое пособие для студентов и профессионалов, которые хотят овладеть навыками машинного обучения и применять их на практике. В пособии подробно рассмотрены основные методы машинного обучения, приведены примеры их использования в различных приложениях и представлены практические задания. Особое внимание уделено выбору признаков, регуляризации моделей, работе с несбалансированными данными и управлению ошибками. Пособие также содержит описание основных инструментов и библиотек машинного обучения, таких как Python, NumPy, Pandas, Scikit-learn и TensorFlow, а также практические советы по работе с данными. В целом, это полезный ресурс для тех, кто хочет научиться применять методы машинного обучения на практике.
В статье рассматриваются результаты исследования возможности использования искусственного интеллекта как инструмента в области таможенно-тарифного регулирования. Проведен анализ применения искусственного интеллекта для классификации товаров на примере группы 90 ТН ВЭД ЕАЭС. Авторами описан процесс применения нейронной сети искусственного интеллекта Всемирной таможенной организации (ИИ AI HS Code), которая была обучена на наборе данных таможенных органов нескольких стран. В статье описан порядок работы с ИИ AI HS Code, приведены графические материалы, сгенерированные ИИ AI HS Code для принятия решений в целях таможенно-тарифного регулирования. Целью работы является обобщение опыта, уточнение специфики применения ИИ для классификации товаров в таможенно-тарифных целях. Авторами использованы методы анализа, синтеза и графической интерпретации.
Цель исследования: разработка методики аналитической обработки больших массивов данных сервисов и приложений в сетях последнего поколения для обнаружения инцидентов кибербезопасности и построения устойчивых систем защиты на основе состязательного машинного обучения. Метод исследования: анализ современных методов машинного обучения и нейросетевых технологий, синтез и формализация алгоритмов состязательных атак на модели машинного обучения. Результат исследования: в статье предложена методика построения устойчивой системы защиты от состязательных атак в беспроводных самоорганизующихся сетях последнего поколения. Формализованы основные виды состязательных атак, в том числе отравляющие атаки и атаки уклонения, а также описаны методы генерации состязательных примеров на табличные, текстовые и визуальные данные. Проведена генерация нескольких сценариев и исследовательский анализ наборов данных с помощью эмулятора DeepMIMO. Выделены потенциальные прикладные задачи бинарной классификации и прогнозирования затухания сигнала между пользователем и базовой станцией для проведения состязательных атак. Представлена алгоритмизация процессов построения и обучения устойчивой системы от состязательных атак в беспроводных сетях последнего поколения на примере эмулируемых данных.Научная новизна: представлена методика аналитической обработки больших массивов эмулируемых данных сервисов и приложений для обнаружения инцидентов кибербезопасности, которая обеспечивает задел в области исследования вопросов безопасности сложных интеллектуальных сервисов и приложений в инфраструктуре беспроводных сетей последнего поколения.