Какая из задач не относится к типичным постановкам задач для машинного обучения

Анализ данных — основы и терминология

В этой статье я бы хотел обсудить базовые принципы построения практического проекта по (т. н. «интеллектуальному») анализу данных, а также зафиксировать необходимую терминологию, в том числе русскоязычную.

Анализ данных — это область математики и информатики, занимающаяся построением и исследованием наиболее общих математических методов и вычислительных алгоритмов извлечения знаний из экспериментальных (в широком смысле) данных; процесс исследования, фильтрации, преобразования и моделирования данных с целью извлечения полезной информации и принятия решений.

Говоря чуть более простым языком, я бы предложил понимать под анализом данных совокупность методов и приложений, связанных с алгоритмами обработки данных и не имеющих четко зафиксированного ответа на каждый входящий объект. Это будет отличать их от классических алгоритмов, например реализующих сортировку или словарь. От конкретной реализации классического алгоритма зависит время его выполнения и объем занимаемой памяти, но ожидаемый результат его применения строго зафиксирован. В противоположность этому мы ожидаем от нейросети, распознающей цифры, ответа 8 при входящей картинке, изображающей рукописную восьмерку, но не можем требовать этого результата. Более того, любая (в разумном смысле этого слова) нейросеть будет иногда ошибаться на тех или иных вариантах корректных входных данных. Будем называть такую постановку задачи и применяющиеся при ее решении методы и алгоритмы недетерминистическими (или нечеткими) в отличии от классических (детерминистических, четких).

Алгоритмы и эвристики

Описанную задачу распознавания цифр можно решать пытаясь самостоятельно подобрать функцию, реализующую соответствующее отображение. Получится, скорее всего, не очень быстро и не очень хорошо. С другой стороны, можно прибегнуть к методам машинного обучения, то есть воспользоваться вручную размеченной выборкой (или, в других случаях, теми или иными историческими данными) для автоматического подбора решающей функции. Таким образом, здесь и далее (обобщенным) алгоритмом машинного обучения я буду называть алгоритм, так или иначе на основе данных формирующий недетерминистический алгоритм, решающий ту или иную задачу. (Недетерминистичность полученного алгоритма нужна для того, чтобы под определение не подпадал справочник, использующий предварительно подгруженные данные или внешний API).

Таким образом, машинное обучение является наиболее распространенным и мощным (но, тем не менее, не единственным) методом анализа данных. К сожалению, алгоритмов машинного обучения, хорошо обрабатывающих данные более или менее произвольной природы люди пока не изобрели и поэтому специалисту приходится самостоятельно заниматься предобработкой данных для приведения их в пригодный для применения алгоритма вид. В большинстве случаев такая предобработка называется фичеселектом (англ. feature selection) или препроцессингом. Дело в том, что большинство алгоритмов машинного обучения принимают на вход наборы чисел фиксированной длины (для математиков — точки в ). Однако сейчас также широко используются разнообразные алгоритмы на основе нейронных сетей, которые умеют принимать на вход не только наборы чисел, но и объекты, имеющие некоторые дополнительные, главным образом геометрические, свойства, такие как изображения (алгоритм учитывает не только значения пикселей, но и их взаимное расположение), аудио, видео и тексты. Тем не менее, некоторая предобработка как правило происходит и в этих случаях, так что можно считать, что для них фичеселект заменяется подбором удачного препроцессинга.

Алгоритмом машинного обучения с учителем (в узком смысле этого слова) можно назвать алгоритм (для математиков — отображение), который берет на вход набор точек в (еще называются примерами или samples) и меток (значений, которые мы пытаемся предсказать) , а на выходе дает алгоритм (=функцию) , уже сопоставляющий конкретное значение любому входу , принадлежащему пространству примеров. Например, в случае упомянутой выше нейросети, распознающей цифры, с помощью специальной процедуры на основе обучающей выборки устанавливаются значения, соответствующие связям между нейронами, и с их помощью на этапе применения вычисляется то или иное предсказание для каждого нового примера. Кстати, совокупность примеров и меток называется обучающей выборкой.

Список эффективных алгоритмов машинного обучения с учителем (в узком смысле) строго ограничен и почти не пополняется несмотря на активные исследования в этой области. Однако для правильного применения этих алгоритмов требуется опыт и подготовка. Вопросы эффективного сведения практической задачи к задаче анализа данных, подбора списка фичей или препроцессинга, модели и ее параметров, а также грамотного внедрения непросты и сами по себе, не говоря уже о работе над ними в совокупности.

Общая схема решения задачи анализа данных при использовании метода машинного обучения выглядит таким образом:

Цепочку «препроцессинг — модель машинного обучения — постпроцессинг» удобно выделять в единую сущность. Часто такая цепочка остается неизменной и лишь регулярно дообучается на новопоступивших данных. В некоторых случаях, особенно на ранних этапах развития проекта, ее содержимое заменяется более или менее сложной эвристикой, не зависящей напрямую от данных. Бывают и более хитрые случаи. Заведем для такой цепочки (и возможных ее вариантов) отдельный термин и будем называть мета-моделью (meta-model). В случае эвристики она редуцируется до следующей схемы:

Эвристика — это просто вручную подобранная функция, не использующая продвинутых методов, и, как правило, не дающая хорошего результата, но приемлемая в определенных случаях, например на ранних стадиях развития проекта.

Задачи машинного обучения с учителем

В зависимости от постановки, задачи машинного обучения делят на задачи классификации, регрессии и логистической регрессии.

Классификация — постановка задачи при которой требуется определить, какому классу из некоторого четко заданного списка относится входящий объект. Типичным и популярным примером является уже упоминавшееся выше распознавание цифр, в ней каждому изображению нужно сопоставить один из 10 классов, соответствующий изображенной цифре.

Регрессия — постановка задачи, при которой требуется предсказать некоторую количественную характеристику объекта, например цену или возраст.

Логистическая регрессия сочетает свойства перечисленных выше двух постановок задач. В ней задаются совершившиеся события на объектах, а требуется предсказать их вероятности на новых объектах. Типичным примером такой задачи является задача предсказания вероятности перехода пользователя по рекомендательной ссылке или рекламному объявлению.

Выбор метрики и валидационная процедура

Метрика качества предсказания (нечеткого) алгоритма — это способ оценить качество его работы, сравнить результат его применения с действительным ответом. Более математично — это функция, берущая на вход список предсказаний и список случившихся ответов , а возвращающая число соответствующее качеству предсказания. Например в случае задачи классификации самым простым и популярным вариантом является количество несовпадений , а в случае задачи регрессии — среднеквадратичное отклонение . Однако в ряде случаев из практических соображений необходимо использовать менее стандартные метрики качества.

Прежде чем внедрять алгоритм в работающий и взаимодействующий с реальными пользователями продукт (или передавать его заказчику), хорошо бы оценить, насколько хорошо этот алгоритм работает. Для этого используется следующий механизм, называемый валидационной процедурой. Имеющаяся в распоряжении размеченная выборка разделяется на две части — обучающую и валидационную. Обучение алгоритма происходит на обучающей выборке, а оценка его качества (или валидация) — на валидационной. В том случае, если мы пока не используем алгоритм машинного обучения, а подбираем эвристику, можно считать, что вся размеченная выборка, на которой мы оцениваем качество работы алгоритма является валидационной, а обучающая выборка пуста — состоит из 0 элементов.

Типичный цикл развития проекта

В самых общих чертах цикл развития проекта по анализу данных выглядит следующим образом.

Изучение постановки задачи, возможных источников данных.
Переформулировка на математическом языке, выбор метрик качества предсказания.
Написание пайплайна для обучения и (хотя бы тестового) использования в реальном окружении.
Написание решающей задачу эвристики или несложного алгоритма машинного обучения.
По необходимости улучшение качества работы алгоритма, возможно уточнение метрик, привлечение дополнительных данных.

Заключение

На этом пока все, следующий раз мы обсудим какие конкретно алгоритмы применяются для решения задач классификации, регрессии и логистической регрессии, а о том, как сделать базовое исследование задачи и подготовить его результат для использования прикладным программистом уже можно почитать здесь.

P.S. В соседнем топике я немножко поспорил с людьми, придерживающимися более академичной точки зрения на вопросы машинного обучения, чем моя. Что несколько негативно сказалось на моей хаброкарме. Так что если вы хотели бы ускорить появление следующей статьи и обладаете соответствующими полномочиями — поплюсуйте меня немножко, это поможет мне написать и выложить продолжение более оперативно. Спасибо.

machine learning
data science
algorithms

Методы машинного обучения в малом бизнесе: содержание и управление Текст научной статьи по специальности «Компьютерные и информационные науки»

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ / БИЗНЕС-ПРОЦЕССЫ / ИНСТРУМЕНТАЛЬНЫЙ ПОДХОД / МОДЕЛЬ РЕГРЕССИИ / МЕТОД ОПОРНЫХ ВЕКТОРОВ / МАШИННОЕ ОБУЧЕНИЕ / ARTIFICIAL INTELLECT / BUSINESS PROCESSES / INSTRUMENTAL APPROACH / REGRESSIVE MODEL / METHOD OF SUPPORT VECTORS / MACHINE-AIDED TRAINING

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Тищенко Сергей Александрович, Шахмурадян Михаил Андреевич

В статье рассмотрены ключевые характеристики стандартных методов машинного обучения , используемых компаниями в операционных бизнес-процессах. В условиях отечественного курса на развитие инновационного бизнеса, цифровой экономики и инфраструктуры для хранения данных человеческий фактор приобретает ключевое значение. Применение методов искусственного интеллекта в работе сотрудников малых предприятий встречает препятствия, которые заключаются в том числе и в отсутствии представлений у персонала о стратегической функциональности существующих в настоящее время алгоритмов бизнес-процессов . Малые коммерческие предприятия сталкиваются с проблемой незнания основных инструментальных принципов функционирования и использования алгоритмов машинного обучения . Вместе с тем бизнес-процессы предприятия могут быть качественно улучшены благодаря имплементации (реализации) алгоритмов машинного обучения . Авторами приведен формальный и аналитический обзор существующих базовых алгоритмов, используемых рядом крупных коммерческих компаний в качестве потенциального средства для оптимизации бизнеса малого предприятия. Описаны виды алгоритмов и моделей машинного обучения множественная модель регрессии, логистическая регрессия и др., а также инструментальные проблемы их использования аналитиками и разработчиками предприятия. Даны рекомендации по применению данных моделей для повышения эффективности работы малых коммерческих предприятий.

i Надоели баннеры? Вы всегда можете отключить рекламу.

METHODS OF MACHINE-AIDED TRAINING IN SMALL BUSINESS: CONTENT AND MANAGEMENT

The article provides key characteristics of standard methods of machine-aided training used by companies in operative business processes . Within the frames of home orientation to the innovation business development, digital economy and infrastructure for data storage the human factor becomes essential. The use of methods of artificial intellect by employees of small enterprises faces obstacles that imply personnel ignorance concerning strategic functionality of available today algorithms of business processes . Small commercial enterprises encounter the problem that they do not know the key instrumental principles of functioning and use of machine-aided training algorithms. At the same time business processes of the enterprise could be seriously improved through implementing algorithms of machine-aided training . The authors conducted a formal and analytical review of potential means for small business optimization. They described types of algorithms and models of machine-aided training , such as multiple regressive model , logistic regression, etc., as well as instrumental problems of their use by enterprise analysts and developers. Recommendations were prepared aimed at use of these models in order to raise the efficiency of small commercial enterprises.

Текст научной работы на тему «Методы машинного обучения в малом бизнесе: содержание и управление»

МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ В МАЛОМ БИЗНЕСЕ: СОДЕРЖАНИЕ И УПРАВЛЕНИЕ

С. А. Тищенко, М. А. Шахмурадян

Московский государственный университет имени М. В. Ломоносова,

В статье рассмотрены ключевые характеристики стандартных методов машинного обучения, используемых компаниями в операционных бизнес-процессах. В условиях отечественного курса на развитие инновационного бизнеса, цифровой экономики и инфраструктуры для хранения данных человеческий фактор приобретает ключевое значение. Применение методов искусственного интеллекта в работе сотрудников малых предприятий встречает препятствия, которые заключаются в том числе и в отсутствии представлений у персонала о стратегической функциональности существующих в настоящее время алгоритмов бизнес-процессов. Малые коммерческие предприятия сталкиваются с проблемой незнания основных инструментальных принципов функционирования и использования алгоритмов машинного обучения. Вместе с тем бизнес-процессы предприятия могут быть качественно улучшены благодаря имплементации (реализации) алгоритмов машинного обучения. Авторами приведен формальный и аналитический обзор существующих базовых алгоритмов, используемых рядом крупных коммерческих компаний в качестве потенциального средства для оптимизации бизнеса малого предприятия. Описаны виды алгоритмов и моделей машинного обучения — множественная модель регрессии, логистическая регрессия и др., а также инструментальные проблемы их использования аналитиками и разработчиками предприятия. Даны рекомендации по применению данных моделей для повышения эффективности работы малых коммерческих предприятий. Ключевые слова: искусственный интеллект, бизнес-процессы, инструментальный подход, модель регрессии, метод опорных векторов, машинное обучение.

METHODS OF MACHINE-AIDED TRAINING IN SMALL BUSINESS: CONTENT AND MANAGEMENT

Sergey A. Tishchenko, Mikhail A. Shakhmuradian

Lomonosov Moscow State University, Moscow, Russia

The article provides key characteristics of standard methods of machine-aided training used by companies in operative business processes. Within the frames of home orientation to the innovation business development, digital economy and infrastructure for data storage the human factor becomes essential. The use of methods of artificial intellect by employees of small enterprises faces obstacles that imply personnel ignorance concerning strategic functionality of available today algorithms of business processes. Small commercial enterprises encounter the problem that they do not know the key instrumental principles of functioning and use of machine-aided training algorithms. At the same time business processes of the enterprise could be seriously improved through implementing algorithms of machine-aided training. The authors conducted a formal and analytical review of potential means for small business optimization. They described types of algorithms and models of machine-aided training, such as multiple regressive model, logistic regression, etc., as well as instrumental problems of their use by enterprise analysts and developers. Recommendations were prepared aimed at use of these models in order to raise the efficiency of small commercial enterprises.

Keywords: artificial intellect, business processes, instrumental approach, regressive model, method of support vectors, machine-aided training.

Экономический курс развитых и развивающихся стран на поддержку и развитие предприятий, занимающихся усовершенствованием и массовым внедрением методов искусственного интеллекта (ИИ), является устоявшимся мировым трендом. Министерство промышленности и информатизации КНР в июле 2017 г. выпустило документ под названием «Трехлетний план действий по содействию развитию нового поколения индустрии искусственного интеллекта (2018-2020 годы)», в котором описываются этапы содействия государства развитию индустрии ИИ на ближайшие три года. Согласно стенографической записи выступления в Коллеж де Франс президента Франции Э. Макрона, посвятившего целую речь технологии ИИ, во Франции будет создана национальная программа в этой области.

В соответствии с Посланием Президента Российской Федерации В. В. Путина Федеральному Собранию от 1 марта 2018 г. внедрение и использование технологий ИИ являются одним из основных приоритетов экономического развития. По итогам послания в феврале 2019 г. президент поручил правительству Российской Федерации разработать стратегию национального развития страны в области искусственного интеллекта. Пионерами комплексного использования технологии в России выступают такие крупные коммерческие организации, как ПАО «Сбербанк» (ИИ используется для персональных рекомендаций клиентам продуктов банка, выявления мошеннических операций, оптимизации рутинных процессов), ООО «Яндекс» (например, подразделение Yandex Data Factory оказывает услуги по разработке моделей оптимизации и прогностических моделей на базе ИИ для отечественных компаний), ПАО «МегаФон» (методы ИИ служат для оптимизации работы центров обслуживания, разработки новых предложений, основанных на аналитике имеющихся данных, кастомизации), ПАО «МТС» (алгоритмы внедряются для забла-

говременной рекомендации по подключению услуги абоненту, для прогнозирования посещаемости открывающихся центров обслуживания) и др.

Ввиду рыночной капитализации, возможности обеспечения информационной безопасности данных пользователей (конфиденциальности, целостности и доступности) и непосредственного доступа к огромному количеству информации о пользователях (так называемым большим данным, где для обработки и выделения скрытых корреляций необходимо использование параллельных вычислений) упомянутые участники рынка могут позволить себе быть первыми по внедрению машинного обучения.

Алгоритмы и модели

Существует ряд условных препятствий, не позволяющих на данном этапе массово внедрять инструментарий ИИ, а именно машинное обучение (МО), в бизнес-процессы отечественных коммерческих предприятий, малых субъектов хозяйствования. В соответствии с Федеральным законом от 24 июля 2007 г. № 209-ФЗ «О развитии малого и среднего предпринимательства» под малой коммерческой организацией следует понимать хозяйствующий субъект (юридическое лицо или индивидуальный предприниматель), отнесенный в соответствии с условиями, установленными в законе, к малым предприятиям, в том числе к микропредприятиям. Малое предприятие допускает предельное значение среднесписочной численности работников за календарный год до 100 человек. Для признания организации субъектом малого предпринимательства ее доход не должен превышать более 800 млн рублей1.

К объективным препятствиям для внедрения МО в операционные процессы организаций данного типа относятся не только финансовые издержки на инфра-

1 URL: http://www.consultant.ru/document/cons_doc_ LAWJL96415/ (дата обращения: 11.01.2019).

структуру (серверы, программное обеспечение, квалифицированный персонал) или отсутствие больших данных (МО является также независимым инструментом, не требующим использования параллельных вычислений в программировании), но и отсутствие фактического представления у менеджеров стратегической функциональности существующих алгоритмов в бизнес-процессах предприятия [23].

В условиях внедрения цифровой экономики человеческий фактор является ключевым в становлении и развитии инновационного бизнеса. Практически любой из видов бизнес-процессов предприятия (управляющие, операционные, поддерживающие) при наличии операционных данных может быть качественно улучшен благодаря имплементации (реализации) алгоритмов машинного обучения [20. — Р. 1; 28. — Р. 7]. Даже эффективность инновационного процесса внутри предприятия может быть спрогнозирована благодаря описываемому инструментарию [30. — Р. 274]. Следует отметить, что в соответствии с исследованием автора книги «Big Data: Using Smart Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance» Б. Марра менее 20% хранимых копаниями данных используются для принятия решения [25. — Р. 18].

Стоит уточнить, что уже доступны облачные сервисы, выполняющие расчеты по имеющимся бизнес-данным и не требующие глубокого знания алгоритмической и математической составляющих (Amazon Web Services, Microsoft Azure ML Studio и др.) [16. — Р. 5]. Тем не менее готовые системы не всегда просто адаптировать под конкретную бизнес-задачу [29. — Р. 93]. Иногда более оптимально оптимизировать процесс управления вычислительной мощностью серверных ресурсов [3].

Для качественной работы даже с облачными решениями необходимо вникнуть в инструментальный аппарат и понять возможности реализации моделей МО. Следует знать основные понятия для обзора наиболее используемых алгоритмов ма-

шинного обучения в бизнесе, а также некоторые модели МО, используемые и модифицируемые крупными российскими компаниями.

Вначале рассмотрим терминологию исследуемой области. Научные предположения и изыскания в сфере искусственного интеллекта начались еще в начале второй половины XX в. Например, английский математик А. Тьюринг в 1950 г. опубликовал книгу под названием «Computing Machinery and Intelligence», в которой высказал мысль о том, что машину можно запрограммировать для имитации интеллектуальных процессов. Немногим позже американский информатик и основоположник функционального программирования Д. Маккарти ввел термин «искусственный интеллект» [См.: 2. — С. 448].

Появившееся позднее понятие машинного обучения начало развиваться по двухуровневой структуре дефиниции (логической операции): общей и специальной. Автор книги «Программируем коллективный разум» Тоби Сегаран определяет МО как одну из дисциплин искусственного интеллекта, касающихся алгоритма обучения компьютеров [13. — С. 22].

Похожую позицию занимают представители академической среды Университета Сучжоу (КНР), характеризуя машинное обучение как одну из основных областей исследования ИИ [31. — Р. 1].

Авторы книги «Самообучающиеся системы» С. И. Николенко и А. Л. Тулупьев отмечают, что отличительным свойством алгоритма машинного обучения является его способность улучшать свое поведение по мере накопления опыта [8. — С. 17]. Инженер-программист компании Google Дж. Грас рассматривает МО как процесс создания и применения моделей, извлеченных из данных в результате обучения [4. — С. 170].

Профессор компьютерных наук Эдинбургского университета К. Бишоп считает, что результатом работы алгоритма МО является функция y(x), которая принимает некоторое значение x, а затем генерирует

на выход соответствующее значение у [17. — Р. 2].

Э. Траск, один из основателей лаборатории машинного обучения в компании Digital Reasoning, рассматривает МО как область компьютерных наук, где машины учатся решать задачи, для которых они не были запрограммированы непосредственно [15. — С. 29].

Автор книги «Statistics for Machine Learning» П. Дангети утверждает, что целью МО является обобщение обнаруженных зависимостей или создание неизвестных правил для исследуемых данных [19. — Р. 8].

Суммируя все вышеперечисленное, можно дать определение машинного обучения как самостоятельного раздела понятия ИИ, изучающего инструментальные и математические способы построения и обучения целевой функции f наилучшим образом описывающей соотношения входных (х) и выходных (у) переменных. Довольно часто МО имеет дело с недостоверными или недетерминированными величинами. Это обусловлено стохастичностью (случайностью) моделируемой системы и неполнотой наблюдаемых данных [5. — С. 62].

В данной статье речь идет о формализации использования алгоритмов без учета качества набора признаков и формализации данных (структурированные данные, неструктурированные данные, потоковые данные и т. д.) [6. — С. 21]. Для обзорного анализа методов МО необходимо ввести понятие модели. Модель в контексте исследуемой области можно определить как описание математической или вероятностной связи, существующей между величинами. В свою очередь предиктивная модель — это формула для оценки неизвестного значения данных [27. — Р. 45].

Одна из задач машинного обучения -построение рабочей практико-ориенти-рованной модели, основанной на ансамбле алгоритмов с обучающей, валидационной и тестовой выборками. Под выборкой следует подразумевать конечный набор слу-

чаев из множества прецедентов. Аналитиком определяется набор данных, на котором алгоритм обучается выводить целевую функцию у(х), а также набор прецедентов, на которых тестируется качество сформированного алгоритма. Такие наборы данных принято называть признаками.

Признаки следует разделять на три части [4. — С. 173]:

1) обучающее подмножество, на котором проводится непосредственное обучение и построение модели;

2) подмножество перекрестной проверки (валидационное подмножество) для отбора одной из обученных моделей;

3) контрольное подмножество, на котором тестируется итоговая модель.

Отметим, что существуют классифицированные группы моделей машинного обучения. К первой группе относятся алгоритмы обучения с помеченными данными (Supervised Learning), где присутствует выборка, маркированная правильными ответами (пары объект — ответ), на которых проходит обучение. Эта группа называется также обучением с учителем. Основная цель алгоритма — обеспечение модели точной мерой ее ошибки, напрямую сопоставимой с исходящими значениями [18. — Р. 10]. Она состоит из регрессионных и классификационных моделей [21. — С. 3].

Во вторую группу можно отнести алгоритмы, самостоятельно определяющие зависимости и закономерности между рассматриваемыми объектами (Unsupervized Learning). Данный тип обучения называется обучением без учителя. Основная цель такого типа алгоритмов — выявление свойственных структур или общностей во входящих данных [24. — Р. 76].

Существуют также и другие виды МО (с частичным обучением, динамическим обучением и т. д.), однако мы рассмотрим только примеры алгоритмов, обучающихся на маркированных данных, а также способы их применения в бизнес-процессах хозяйствующих субъектов.

Перед непосредственным описанием алгоритмов стоит кратко упомянуть о частых

инструментальных проблемах, возникающих перед аналитиками и разработчиками предприятия в ходе обучения модели. К типичным проблемам МО относятся переобучение и недообучение модели.

Переобучение модели (overfitting) можно определить как процесс, опосредующий хорошую работу прогностической модели на обучающей выборке (более 85% точности), но при этом плохо обобщающий новые группы данных. Причина заключается в наличии шума, искажения входных данных (например, у слишком сложных моделей), что ведет к потенциальному переобучению. К такому же результату приводят низкое смещение и высокая дисперсия (в этом случае следует удалить часть признаков или использовать большее количество данных).

Недообучение модели (underfitting) -процесс, при котором прогностическая модель не работает даже на обучающей выборке. Высокое смещение (следует добавить больше признаков) и низкая дисперсия являются сопутствующими признаками недообучения [4. — С. 172].

Множественная модель регрессии

Множественная модель регрессии (Multiple Regression) является одним из наиболее простых и распространенных алгоритмов машинного обучения, используемых при анализе данных предприятия. На практике чаще приходится сталкиваться с наличием множества различных признаков, оказывающих влияние на исследуемый процесс, при этом простая линейная регрессия становится неактуальным инструментом.

Множественная регрессионная модель представляет собой уравнение простой линейной регрессии с двумя или более признаками и коэффициентами:

yi = ЬгХг + b2X2 + ЬзХз + b4X4 + k + Zi.

Такая модель применяется в процессах, в которых прослеживается сильная линейная зависимость. Задача регрессии — прогноз на основе выборки объектов с различными признаками. Так, например, имея

определенный запас производственных или операционных данных в компании, мы можем оценить стоимость ценных бумаг, нежилой и жилой недвижимости, ожидаемый доход коммерческого предприятия по каналам продаж, рентабельность размещения нового места сбыта продукции и т. д.

К числу задач множественной регрессии можно отнести отражение гипотезы о зависимости между ежедневными обновлениями на сайте и покупками, что особо актуально для такой сферы экономики, как электронная коммерция. На практике линейная модель регрессии часто применяется к наборам данных с большим числом переменных. Однако здесь есть свои трудности. Во-первых, возрастает вероятность переобучения модели. Во-вторых, чем больше ненулевых коэффициентов, тем сложнее разобраться в их значении. Для решения подобного типа проблем необходима регуляризация.

Регуляризация — это метод (для предотвращения переобучения), при котором к случайным ошибкам регрессии добавляется штраф, растущий с увеличением k. После этого сочетание ошибок и штрафа минимизируется. Среди наиболее применяемых методов регуляризации выделим гребневую регрессию (Ridge Regression) и лассо-регуляризацию (L2-regularization).

Алгоритм действия первой техники заключается в применении штрафа к сумме квадратов коэффициентов модели, где штраф равен

где а выполняет функцию условного параметра, управляющего уровнем штрафа.

В свою очередь лассо-регуляризация штрафует на сумму абсолютных значений коэффициентов регрессии:

Модель линейной регрессии подразумевает определение влияния параметров на исследуемый процесс и дальнейшее оценивание предикативности этого дей-

ствия (определяем, какой вклад вносит каждый признак в процесс). К примеру, предсказывая длину очереди в гипермар-кете, мы можем определить, насколько такие факторы, как время, наличие свободных касс, график работы гипермаркета, влияют на количество людей в очереди на одну кассу и, соответственно, на формирование ежедневных денежных потоков.

Известно большое количество возможных применений модели линейной регрессии как в крупном, так и в малом бизнесе. К ним относится онлайн-ото-бражение движения общественного транспорта (Яндекс.Карты, Яндекс.Транспорт и пр.), прогнозирование эффективности финансового портфеля (АО «Тинькофф Банк», криптовалютная платформа Cindicator и др.) и т. д. Одним из наиболее ярких примеров использования подобного подхода на практике стало предсказание внутри малого предприятия ООО «Политех-Плюс» поломок оборудования на производстве, а следовательно, необходимости планово-предупредительного обслуживания, в результате чего показатель производства — общая эффективность оборудования (Overall Equipment Effectiveness) -увеличился на 15% [7].

Логистическая регрессия (Logit Model) является другим наиболее часто используемым в бизнес-процессах инструментом, относящимся к линейным классификаторам. В данном случае изначально формируется бинарная (двоичная) постановка задачи, где ключевым результатом будет отражение принадлежности объекта с определенной вероятностью к одному из двух классов (в случае бинарной логистической регрессии). Ключевым положением в описываемом алгоритме является обучение модели присваиванию подходящих весов каждому признаку. Соотношение входных признаков и коэффициентов подобно предыдущей рассматриваемой модели носит линейный характер. Необходимо предсказать с определенной вероят-

ностью принадлежность уI к одному из двух классов. К примеру, аналитику интернет-издания необходимо найти вероятность Р(г) покупки клиентом полугодовой подписки на электронный журнал. В данном случае искомая величина будет являться вероятностью нахождения Р(х) в одном из нескольких классов: купит / не купит. Данный тип алгоритма включает функционал множественной линейной регрессии, потому что требуется найти значения коэффициентов для входных переменных:

У1 = Ь0 + Ъх + Ъ2%2 + Ъ3%3 + ЬпХп.

Для того чтобы положительные значения коэффициентов соответствовали вероятности, близкой к 1, а отрицательные -вероятности, близкой к 0, необходимо применить к результату линейной регрессии логистическую функцию, обладающую сужающим свойством:

График этой функции показан на рис. 1.

2022 год, том 26, выпуск 1 (PDF)

We present an expansion of the paraconsistent logic N4 by operators for meaningfulness and nonsensicality. This logic contains three congruentiality-breaking unary connectives, which gives rise to a tetra-lateral sequent calculus with four different sequent arrows.

Ключевые слова: inconsistency-tolerant logic, sequent calculus, proof-theoretic multilateralism.

Лазеры на свободных электронах становятся всё более мощными и доступными установками для определения структуры белков. Конформационные перестройки характерны для подавляющего большинства белков, однако скоротечность превращений зачастую не допускает получение кристаллов достаточного размера. Выходом могло бы стать получение картин рентгеновской дифракции от одиночных молекул, однако в этом случае нет возможности определять их ориентацию, что делает невозможным восстановление структуры современными методами. В работе рассмотрена применимость ряда архитектур нейронных сетей к распознаванию конформационного состояния белка по данным дифракции на одиночных молекулах бактериородопсина.

Ключевые слова: рентгеновская дифракция, нейронные сети, конформационные состояния белка, бактериородопсин.

Рассматривается машинное обучение интеллектуальных систем управления методами символьной регрессии Методы символьной регрессии позволяют находить математические выражения для различных задач, где необходимо найти структуру и параметры неизвестной многомерной функции. Поиск неизвестной функции осуществляется генетическим алгоритмом на пространстве кодов метода символьной регрессии. В качестве искомых функций могут быть функции, содержащие операторы условия, которые являются обязательной составной частью программ интеллектуальных систем управления.

Ключевые слова: методы символьной регрессии, синтез управления, машинное обучение, оптимальное управление.

В настоящее время в мировой экономике наблюдается «парадокс производительности» — вложения в новые информационные технологии не ведут к повышению производительности труда в масштабе экономики в целом. Предполагаемая причина — доминирование централизованных онлайн платформ в современной цифровой экономике. Развитие искусственного интеллекта (ИИ) усиливает их доминирование за счет концентрации данных для обучения алгоритмов ИИ. Вместе с тем бизнес-модели онлайн платформ были разработаны на рубеже 1990-х — 2000-х гг. и могут оказаться неоптимальными при наличии других метафор, прежде всего, пиринговых сетей. Ограничение доминирования централизованных онлайн платформ требует изменения политики государства по отношению к централизованным онлайн платформам, включая и ведущих отечественных операторов. Для снижения монопольной власти операторов платформ предлагается разделение операторов на компании, поддерживающие сбор и обработку данных на платформах, и бизнес-операторов, использующих эти данные для оказания услуг конечным пользователям.

Ключевые слова: парадокс производительности, централизованная онлайн платформа, бизнес-модель, пиринговая платформа.

В данной работе представлен краткий обзор задач анализа тональности, а также проблем и используемых подходов. В последние годы в задачах анализа тональности активно применяются методы машинного обучения. В статье рассматриваются основные подходы машинного обучения и их особенности. На примере одного из датасетов для русского языка рассмотрен прогресс методов в задаче анализа тональности.

Ключевые слова: анализ тональности, таргетированный анализ тональности, лексикон оценочной лексики, машинное обучение, нейронная сеть, BERT.

Одно дело решить задачу математически и разработать соответствующий метод, а совсем другое переложить его на аппаратные компоненты. Даже на первый взгляд простые задачи требуют тщательного продумывания архитектуры программного обеспечения аппаратной реализации. Нужно понимать устройство оперативной и внутренней памяти, в том числе, аппаратных механизмов прямого копирования данных из различных подсистем, и функционирование отдельных подсистем (контроллеров) большой системы (система на чипе), а также, их взаимодействие. В частности, учитывать, что вычисления можно выполнять не только на процессоре, а, например, на каком-то контроллере. Так, есть тензорные вычисления, а есть ещё более специализированные по цифровой обработке изображений. Даже действенный вывод графической информации требует внимание от разработчика иначе могут возникнуть артефакты (искажение данных) при их визуализации. Для быстродействия методов важна не только математическая составляющая, но и аппаратная поддержка реализации отдельных частей алгоритма. Последнее находит отражение в современных архитектурах вычислительных систем и встроенных процессоров.

Ключевые слова: аппаратная реализация, процессор, оперативная память, контроллеры.

Показано, как в ходе биологической эволюции мозг постепенно сформировал иерархическую архитектуру глубокого обучения с подкреплением. Основываясь на этой архитектуре предложена действующая модель сильного ИИ – ADAM, способная обучаться все более сложным поведенческим навыкам по мере увеличения глубины иерархии управляющих уровней.

Ключевые слова: общий искусственный интеллект, глубокое обучение с подкреплением, иерархическая система управления.

В бесконечно порожденной функциональной системе автоматов с операцией суперпозиции существуют как предполные классы, так и классы, не вкладывающиеся ни в один предполный. В статье приведены примеры как первых, так и вторых классов.

Ключевые слова: конечный автомат, суперпозиция, замкнутый класс.

Криптовалюты, цена которых привязана к физическим активам, называют стабильными (стейблкоинами). В данной работе показано, что для стабильных криптовалют использование алгоритма достижения консенсуса типа Proof-Of-Work нецелесообразно, потому что за проделанную трудную работу для достижения консенсуса кто-то должен будет заплатить, и количество денег в системе будет уменьшаться. В данной работе предлагается новый алгоритм достижения консенсуса, основанный на принципе лотереи, который может быть использован для стабильных криптовалют и для цифровых валют центральных банков.

Ключевые слова: Криптовалюты, цифровые валюты центральных банков, алгоритмы достижения консенсуса.

В докладе излагается новая математическая модель параллельных программ и приводится пример ее применения для верификации параллельной программы перемножения матриц.

Ключевые слова: параллельные программы, распределенные процессы, верификация.

В данной работе рассматривается актуальная проблема построения гиперграфов. Для решения данной задачи использовался интеллектуальный метод оптимизации — метод имитации отжига. Была разобрана предметная область, основные детали алгоритма и спроектирована программа. Разработанный алгоритм может применяться для решения и других схожих задач.

Ключевые слова: гиперграфы, метод имитации отжига, интеллектуальные методы оптимизации.

В докладе рассматривается задача классификации поведения сложных систем на основе сравнения характерной функции, представленной экспертом, и функции, полученной на основе данных. Такие ситуации характерны для экономики, социологии, биологии и других областей. Для решения задачи проводится описание характерной функции в виде системы нечетких условий, описывающих ее поведение, и предлагается алгоритм вычисления степени соответствия эмпирической функции такой системе нечетких условий.

В работе предлагается криптографическая схема шифрования на основе топологически простых коммутативным колец. Доказывается, что кольцо целых чисел топологически просто и на основе этого факта строится конкретная криптосхема.

Ключевые слова: топологически простое кольцо, топологически неприводимый модуль, криптографическая схема.

В работе обсуждаются актуальные проблемы информатики в целом и теории сложности вычислений в частности.

Ключевые слова: информатика, сложность вычислений, быстрое умножение.

Предложена реализация модифицированного метода Рабинера (ММР) для вычисления максимальной вероятности генерирования марковской последовательности заданной длины на основе одной из множества стохастических матриц, принадлежащих классу эргодических (ЭСМ). Реализация производится при использовании однотипных элементов — нейронных сумматоров (НС). Получены оценки сложности реализации ММР по количеству НС и запоминающих элементов как функции от мощности множества ЭСМ и их размерности.

Ключевые слова: метод Рабинера, стохастические матрицы, нейронные сумматоры, оценки сложности.

Здесь рассматриваются алгоритмы быстрого умножения как для больших чисел, так и для больших квадратных матриц. При умножении чисел вводится групповая алгебра, и преобразование Фурье выражается как представление элементов групповой алгебры в другом базисе, связанном с характерами. Далее вводится бигрупповая алгебра как расширение операторов групповой алгебры с использованием характеров, действующих как диагональные матрицы в стандартном базисе групповой алгебры. Аналог умножения больших чисел преобразованием Фурье распространяется на бигрупповую алгебру, т.е. на алгебру матриц.

Ключевые слова: Групповая алгебра, символы, бигрупповая алгебра, знаковые автоморфизмы, симметрии, значения, кластер, алгоритм, плотность, метод осреднения.

Здесь теорема Поттера для двух переменных обобщается на случай многих переменных. При этом, обобщение на степень n выглядит как определение квадрата длины в обычной Клиффордовой алгебре состоящей из линейной комбинации базисных элементов Клиффордовой алгебры. Не для всякого набора элементов, коммутирующих через множители, являющиеся примитивными корнями n−ой степени, обобщенная теорема Поттера верна. Для этого необходима и достаточно, чтобы они образовали образующие порядка n обобщенной Клиффордовой алгебры. Бигрупповые алгебры и обобщенные алгебры Клиффорда представляют одно и то же понятие.

Ключевые слова: Бигрупповая алгебра, обобщенные алгебры Клиффорда, образующие Клиффорда, обобщение теоремы Поттера.

Рассматривается современная ситуация развития общества, когда оно вплотную подошло к восприятию методов и средств искусственного интеллекта (ИИ) в повседневной жизни как к реализации принципов нового научного знания (учения), основанного на фундаменте «Науки о данных». Предложена авторская концепция построения образовательных траекторий при подготовке специалистов в сфере ИИ.

Ключевые слова: искусственный интеллект, высшее образование, ученый по данным, инженер по данным, аналитик данных.

Рассматриваются принципы динамического расчета показателей и некоторые алгоритмы интеллектуального анализа данных (data mining), использованные при расчетах карт секвестрации и запасов органического углерода в почвах России в рамках проектов ФАО ООН по созданию глобальных карт. Приводится описание разномодальных и разновременных исходных данных: растровых сеток различных разрешений, векторных данных в географической системе координат, атрибутивной информации. Описан расчет итоговых карт и карт погрешностей в распределенной сети почвенных дата-центров как задачи BigData.

Ключевые слова: почвенные базы данных, статистические методы, распределенные системы, органический углерод.

В докладе представлены результаты исследования, выполненного совместно сотрудниками Национального медицинского исследовательского центра терапии и профилактической медицины МЗ РФ и механико-математического факультета МГУ имени М.В. Ломоносова, показывающего применимость методов анализа данных в решении задачи прогнозирования риска неблагоприятного клинического исхода на основе информации о пациенте, доступной в клинике (медицинская информационная система «Медиалог»).

Ключевые слова: профилактическая медицина, неблагоприятный клинический исход, углубленный анализ данных.

Для снижения рисков, связанных со злоупотреблением алкоголем, чрезвычайно важно оценивать уровни алкогольного потребления. При этом недостаточно знать показатели, оценивающие только объем розничных продаж, который не учитывает незарегистрированное потребление алкоголя. Разработка интегрального показателя индекса, базирующегося на доступных статистических данных, позволит нивелировать риски экспертного оценивания и повысить эффективность расходования бюджетных средств в области здравоохранения. В докладе приводится описание доступной экспертной и фактической информации, структура индекса, предлагается подход к его оценке средствами теории нечетких множеств. Рассмотрены особенности реализации расчета индекса в среде Matlab, приводятся примеры. Формулируются и обсуждаются связанные с этим прямые и обратные задачи, решение которых позволит оптимизировать эффективность системы здравоохранения по данному параметру на региональном и федеральном уровнях. Индекс алкогольного благополучия является одним из важных параметров системы здравоохранения с одной стороны и типичным индексом социально-экономических процессов — с другой, поэтому описанные в докладе подходы могут быть применены и для построения широкого набора таких индексов.

Ключевые слова: профилактическая медицина, алкогольное благополучие, оценка и мониторинг процессов.

Представлен подход к построению поисковой системы, учитывающей как контекст, так и вхождение общих между запросом и документами слов.

Ключевые слова: поисковые системы.

В выступлении будет затронута тема возможности применения логико-семантических средств в анализе естественного языка. Как наиболее продуктивные для такого анализа избраны эпистемические контексты, поскольку они предъявляют высокие требования к пытающимся репрезентировать их динамики системам. В частности, по отношению к belief-контекстам не очевидна связь по истинности между подоператорным выражением и содержащим его сложным предложением: при ложности подоператорного, содержащее его сложное выражение может быть истинно и наоборот: при истинности подоператорного содержащее его сложное выражение может быть ложным. Еще один неочевидный момент: невозможность совершать в таких контекстах подстановку на основе тождества значений, требуется совпадение по смыслу (синонимия). В связи с этим предлагается некая интуитивно прозрачная схема интенсиональной основы понимания семантики, базирующейся на понятии идеальных миров.

Ключевые слова: эпистемические контексты, семантика, естественный язык, значение, смысл.

Кластерный подход к анализу естественного языка решает проблему трудоемкости и больших временных затрат при анализе подобного типа данных. Он позволяет увидеть общую объективную картину научных исследований как в динамической форме, так и в моменте времени для анализа текущей ситуации. Метод совмещает в себе возможности машинного обучения и когнитивных способностей человека, являясь эффективным способом для анализа больших объемов данных. Метод подходит для разнообразных целей и здесь представлены примеры использования в трех различных проектах.

Ключевые слова: Кластерный подход, анализ естественного языка, патентный анализ, токенизация, сетевой граф.

В настоящее время для задачи разрешения лексической неоднозначности наилучшие результаты на стандартных бенчмарках показывают алгоритмы, которые основаны на обучении с учителем. Однако, использование больших объемов размеченных данных для обучения таких моделей ограничивает их применение для языков с малым количеством ресурсов. Для русского языка также актуальна проблема нехватки аннотированных данных. В данной работе исследуется метод для автоматической разметки текстов, который основан на ансамбле моделей, предварительно обученных на синтетических данных. Результаты экспериментов демонстрируют, что модели, обученные на данных, размеченных предобученными моделями, показывают более высокое качество разрешения неоднозначности.

Ключевые слова: автоматическое разрешение неоднозначности; датасеты на русском языке; ELMo; BERT.

В работе исследуются мнения пользователей сети ВКонтакте о рождении детей. Собран датасет с разметкой мнений по трем классам позиций по отношению к шести темам, связанных с рождением детей и пронаталистской политикой. Выполнены эксперименты по автоматической классификации мнений. Лучшие результаты получены на основе применения нейросетевой модели BERT в формулировке NLI (Natural language Inference — вывод по тексту). Выявлено, что феномен сознательной бездетности активно представлен в сети, а многодетность остается слабо распространенной моделью поведения. В рамках пронаталистской политики важно формировать позитивное общественное мнение о родительстве, смягчать дефицит времени у родителей.

Ключевые слова: анализ мнений, классификация, BERT, ВКонтакте, репродуктивные ценности, пронаталистская политика.

В последнее время при сборе эмпирических данных о языковых структурах исследователи все чаще обращаются к методу извлечения суждений о приемлемости языкового выражения. Характерная особенность этого метода – неоднородность суждений носителей языка. В работе мы рассмотрим возможные источники неоднородности и предложим способы ее измерения и интерпретации.

Ключевые слова: грамматика, приемлемость, последовательность, оценки грамматичности.

Данная работа относится к области автоматической обработки юридических документов и посвящена семантическому анализу Правил дорожного движения. Описаны основные этапы семантического разбора предложений типа «Уступить дорогу» и «Запрещено». Используя синтаксические шаблоны, мы ограничиваем поиск и реализуем синтаксический и семантический анализ этих предложений.

Ключевые слова: семантический анализ, синтаксический анализ, юридический документ, правила дорожного движения.

Классические искусственные нейронные сети имеют ряд недостатков. Для устранения этих недостатков предлагается принципиально новая модель искусственной нейронной сети, названная интерференционной моделью. Она основана на строении биологических нейронов головного мозга человека. Данная работа описывает структуру и принципы работы интерференционной модели на примере решения задачи классификации данных. Результаты работы показывают, что интерференционная модель не содержит недостатков классических ИНС и хорошо подходит для решения задачи классификации, а также для распознавания образов.

Ключевые слова: нейронная сеть, интерференционная модель, интерференция, классификация данных, нейромедиатор, синапс, рецептор, распознавание образов.

Приведен обзор основных технических задач в рамках современной нейробиологии, которые могут быть успешно решены с применением технологий машинного обучения и искусственного интеллекта. Рассмотрены основные сложности при анализе временных рядов и сегментации изображений, с которыми сталкиваются исследователи, и способы их решения. Дан обзор современных технических решений с использованием сверточных нейросетей для решения практических задач в нейробиологических исследованиях.

Ключевые слова: нейросети, машинное обучение, обработка данных, анализ изображений, анализ временных рядов.

Современный успех в области нейронных сетей во многом обусловлен наличием достаточного количества аппартных ресурсов. В работе проведен анализ основных современных аппаратных решений для ИИ (CPU, GPU, TPU), рассмотрены их преимущества и недостатки.

Ключевые слова: графический процессор, тензорный процессор, аппаратное обеспечение, нейронные сети.

Метод дефектоскопии на основе магнитного потока является наиболее распространенным подходом для неразрушающего контроля нефте- и газопроводов. В результате дефектоскопии получаются магнитограммы, зачастую анализируемые полуавтоматизированными методами, что приводит к снижению точности и увеличению времени анализа. В работе предложена новая архитектура CNN для автоматической классификации изображений на основе магнитограмм для диагностики нефтепроводов. В результате апробации разработанных алгоритмов на отложенной выборке была доказана высокая точность и эффективность разработанного решения.

Ключевые слова: Глубинное обучение, Машинное зрение, сверточные нейронные сети, поиск аномалий, внутритрубная диагностика нефтепроводов, обработка данных магнитного потока.

Рассматриваются возможности применения системы программного обеспечения и протоколов обмена данными, обеспечивающей взаимодействие систем сбора данных, (в частности биосенсоров), систем обработки данных на основе алгоритмов искусственного интеллекта и пользователя. Система предназначена для снижения “порога вхождения” в область обработки и распознавания данных на основе ИИ. Прототип системы успешно испытан на задаче распознавания жестов с использованием малого количества датчиков ЭМГ.

Ключевые слова: протокол, обучение с подкреплением, обработка данных, ЭМГ.

Современные технические системы, такие как атомные электростанции, оснащены диагностическими системами. Но эти системы и по сей день несовершенны, и инциденты с отказами иногда случаются. Несчастные случаи могут привести не только к экономическим потерям, но и к пугающим социальным последствиям, таким как антропогенные катастрофы. Другой типичной проблемой для АЭС является чрезмерное дублирование систем безопасности, что увеличивает стоимость самой АЭС. Решением может стать продвинутая диагностическая система. В диагностике, как науке, можно выделить три основных этапа: первый — это мониторинг технического состояния; второй — поиск первопричины аномалий; третий — это прогноз будущего состояния технической системы. Разработанный фреймворк может быть использован для решения всех этих диагностических задач.

Ключевые слова: диагностика технических систем, машинное обучение, глубинное обучение, анализ временных рядов, поиск аномалий, прогнозирование временных рядов, предварительная обработка данных, фреймворк.

Данная работа посвящена вопросам применения статистических моделей для увеличения точности прогнозирования океанологических данных. Исходный ряд наблюдений описывается с помощью смесей конечных нормальных распределений, статистические характеристики смесей используются для предварительной инициализации слоёв рекуррентной нейронной сети. Прогнозы, построенные с использованием статистических моделей, сравниваются с прогнозами, построенными для оригинальных данных. Продемонстрировано, что для всех проанализированных рядов наблюдается значительное улучшение точности.

Ключевые слова: EM, MSM, LSTM, нейронные сети, машинное обучение, расширение признакового пространства, смеси конечных нормальных распределений.

В докладе рассмотрена актуальная задача машинного обучения — восстановление позы человека по его изображению. Предложен новый способ постановки задачи как задачи классификации каждого пикселя изображения. В предложенной постановке реализовано решение, проведено сравнение с существующим регрессионным подходом.

Ключевые слова: оценка позы человека, свёрточные нейронные сети, обнаружение ключевых точек.

В настоящее время все более широкое распространение получают различные системы видеофиксации. Одной из основных целей таких систем является контроль и слежение за человеком. Решение данной задачи позволяет в дальнейшем решать такие прикладные задачи, как контроль заполненности различных помещений (будьто торговые объекты или образовательно-культрурные учереждения), построение тепловой карты перемещений человека, организация контроля доступа к тому или иному объекту. В работе предложен способ, основанный на применении комбинации различных нейронных сетей, который позволяет решать данные задачи с высокой точностью.

Ключевые слова: глубокое обучение, нейронные сети, реидентификация, Mask R-CNN, OsNet, ResNet.

Автоматическая идентификация минералов на изображениях аншлифов очень востребована в исследовательской геологии, поскольку позволяет значительно сократить время, затрачиваемое специалистом на изучение руд, и автоматически получать качественную статистику распределения минералов различных месторождений. В этой работе мы предлагаем алгоритм глубокого обучения для автоматической идентификации минералов на изображениях полированных аншлифов и представляем набор данных LumenStone, который объединяет изображения аншлифов различных минеральных ассоциаций и содержит маски семантической сегментации пиксельного уровня.

Ключевые слова: сегментация изображений, глубокое обучение, геология, идентификация минералов, аншлифы, руда.

Предложен алгоритм построения идентификатора на базе рекуррентной нейронной сети и показана его применимость на динамическом стенде типа центрифуги.

Ключевые слова: рекуррентная нейронная сеть, непараметрическая идентификация, центрифуга, динамическая имитация.

В рамках данной работы решаем задачу планирования движения автономного робота, применяя и сравнивая классический подход решения этой задачи и подход с применением машинного обучения. Была поставлена задача “проехать из точки А в точку Б” на различных экспериментальных картах, представляющих собой лабиринт с препятствиями. Мы изучали поведение двухколесного робота с разными методами построения маршрутов и разными наборами сенсоров. Предполагается, что подход с применением машинного обучения более легкий для разработки и нуждается в меньшем количестве сенсоров, что существенно снижает стоимость такого робота.

Ключевые слова: планирование движения; робототехника; примитивы движения; обучение с подкреплением.

Разработано программное обеспечение для детектирования зрачка на видеозаписи движения глаз. Реализовано два метода: детектирование кругов и детектирование эллипсов. Реализован метод калибровки по размеру радужки.

Ключевые слова: видеоокулограф, распознавания положения зрачка, вертикального и горизонтального смещения зрачка, библиотеки компьютерного зрения OpenCV.

В работе рассмотрены существующие методы оценки качества имитации системой подвижности авиатренажёров акселерационных воздействий, возникающих в полёте. Предложена технология, основанная на модели вестибуло-окулярного рефлекса, позволяющая при помощи современных технических средств производить объективное сравнение вестибулярного отклика на акселерационные воздействия, возникающие в реальном полёте, с их имитацией на комплексных авиационных тренажёрах. Предложено применение указанной технологии для валидации и совершенствования имитационных систем, применяемых для подготовки пилотов к выводу из сложного пространственного положения.

Ключевые слова: вестибуло-окулярный рефлекс, объективная оценка качества тренажёрных устройстви имитации полёта, безопасность полётов.

Данное исследование посвящено вопросу формирования движений аватара в виртуальном пространстве, а также разработке предложений по модификации алгоритмов отслеживания движений конечностей человека в целях создания интерактивной виртуальной среды. Представленные предложения позволят успешнее фильтровать данные трекинга и прогнозировать движение точек крепления отслеживающих датчиков, а, соответственно, и аватара в виртуальном пространстве.

Ключевые слова: инерциальное отслеживание тела, оптическое отслеживание тела, виртуальная реальность, VR, алгоритмы отслеживания.

Исследование декларативной памяти является актуальным направлением нейрофизиологии. В настоящей работе проверялась возможность формирования кратковременной и долговременной памяти у лабораторных мышей в задаче распознавания нового положения объектов. В дальнейшем была проверена возможность нарушения формирования долговременной памяти на положение объектов путем блокирования рецепторов глутамата во время обучения. Полученные результаты свидетельствуют о возможности сформировать оба вида декларативной памяти с использованием этой методики, а также о важной роли глутаматергической системы в формировании долговременной декларативной памяти.

Ключевые слова: декларативная память, распознавание положения объектов, кратковременная память, долговременная память.

Эзопов тест оценивает способность добыть приманку, плавающую на поверхности воды в узком цилиндре вне пределов досягаемости, путем помещения в него тонущих объектов. Мы исследовали способность серых ворон справиться с модифицированными вариантом этого теста (с пятью типами цилиндров и двумя типами объектов) спонтанно и после обучения с одним цилиндром и одним объектом.

Ключевые слова: Эзопов тест, орудийная деятельность, понимание причинно-следственных отношений, серые вороны.

Данное исследование направлено на выяснение механизмов формирования памяти в естественных когнитивных системах на модели посттравматического стрессового расстройства у мышей. В работе был определен паттерн активности структур мозга мыши при развитии и нарушении формирования посттравматического стрессового расстройства и показаны отличия в уровне активации отдельных структур системы страха при формировании травматической и аверсивной памяти.

Ключевые слова: когнитивные системы; память; посттравматическое стрессовое расстройство; аверсивное обучение; блокада синтеза белка; c-fos.

В работе проводили оценку индукции немедленных ранних генов с-fos и Arc/Arg3.1 в мозге мышей после формирования и извлечения памяти в задаче условно-рефлекторного замирания на обстановку. Показано, что при данном воздействии в ряде структур мозга происходит индукция обоих генов, однако только в 30% нейронов экспрессируются одновременно оба гена.

Ключевые слова: немедленные ранние гены; c-Fos; Arc; нейропластичность; энграмма.

Не так давно стал коммерчески доступен принципиально новый вид видеокамер, так называемые DVS камеры (dynamic vision sensor). Применение этих устройств способно радикально улучшить параметры скорости и энергоэкономичности процедур обработки видеосигнала за счет того, что они посылают на обработку не постоянно сканируемый растровый сигнал, а асинхронный поток спайков, индицирующих увеличение или уменьшение яркости отдельных пикселей. Принципиально новый характер посылаемого сигнала требует принципиально новых алгоритмов его обработки. Такой алгоритм, названный SCoBUL (spike correlation based unsupervised learning), описывается в данной работе. SCoBUL использует однослойную импульсную сеть с латеральным торможением для выделения первичных информативных признаков из потока спайков в режиме обучения без учителя. Главной чертой SCoBUL является обобщение законов синаптической пластичности STDP (spike timing dependent plasticity), специально оптимизированное для решения этой задачи.

Ключевые слова: DVS камера, импульсная нейронная сеть, нейронная сеть с латеральным торможением, обучение без учителя, синаптическая пластичность, STDP.

Протоорудийные задачи используют для изучения наглядно-действенного мышления животных. Мы разработали новый комплекс протоорудийных задач на подтягивание приманки при помощи выскальзывающей веревки и исследовали способность серых ворон понимать их структуру спонтанно и после обучения.

Ключевые слова: орудийная деятельность, протоорудийные задачи, понимание причинно–следственных отношений, мышление, серые вороны.

Данные, получаемые путём окрашивания и микроскопии целого мозга, анализируют путём автоматического вписывания трехмерных реконструкций в 3D-атлас и обнаружения меченых клеток в отдельных областях. Однако математический аппарат, который позволял бы осуществлять, с одной стороны, точный автоматизированный количественный анализ меченых клеток, а, с другой стороны, позволял бы сопоставлять полученную информацию о числе клеток во всем мозге с его функциональной анатомией, в настоящий момент недостаточно развит. Для решения этой проблемы нами был разработан DOGHOUSE – метод изучения пространственно-временной динамики активности целого мозга. Он состоит из двух компонент. CORGI – алгоритм вписывания образцов мозга в пространстве и их синхронизации во времени, который преодолевает различия между непохожими образцами мозга. DALMATIAN – алгоритм обнаружения клеток в образцах целого мозга, позволяющий автоматически идентифицировать клетки даже в сложных случаях, когда они плотно упакованы относительно друг друга. Наш метод был апробирован на образцах мозга взрослых и развивающихся мышей и показал характеристики, соответствующие или превышающие таковые, получаемые имеющимися аналогами. Предложенный метод автоматизирует такие задачи как сравнение трехмерных образцов мозга групп животных и мониторинг развития мозга. Все компоненты метода находятся в открытом доступе.

Ключевые слова: целый мозг, 3D-анализ, динамика развития, микроскопия, вписывание, подсчёт.

Современные системы искусственного интеллекта (ИИ), построенные на базе архитектуры фон Неймана, имеют ряд фундаментальных ограничений в сравнении с мозгом. В исследовании мы частично раскрыли эти ограничения, предложили принцип классификации нейроморфных систем ИИ и представили сравнительный анализ популярных нейроморфных проектов в разрезе предложенной классификации.

Ключевые слова: Искусственный интеллект, нейроморфные системы, локальное обучение, импульсные нейронные сети, разреженные вычисления, вычисления в памяти, аналоговые вычисления.

Изучение нейрональных основ кодирования пространства и объектов относится к числу актуальных направлений нейрофизиологии. Данная работа была направлена на изучение вклада значимости и новизны объектов в формирование когнитивной специализации нейронов гиппокампа мышей. Кроме того, с помощью прижизненного кальциевого имиджинга проводилось исследование соотношения между клеточными репрезентациями индивидуально и социально приобретенной памяти.

Ключевые слова: нейрональное кодирование, кальциевый имиджинг, распознавание объектов, социальная передача вкусового предпочтения, CA1, гиппокамп.

Мы исследовали коллективную активность нейронов места поля CA1 гиппокампа мыши при свободном исследовании среды. С помощью методов нелинейного понижения размерности мы показали, что активность популяции из нескольких сотен клеток может быть сведена к двум коллективным переменным, которые определяют положение животного на исследуемом ей треке. Наши результаты свидетельствуют в пользу гипотезы распределенного кодирования и могут быть использованы для анализа коллективной активности нейронов в других областях мозга.

Ключевые слова: нейроны места, понижение размерности, распределенное кодирование.

Ретросплениальная кора (РСК) играет ключевую роль в процессах пространственной навигации и кодировании пространственной информации. Однако участие РСК в кодировании информации об объектах изучено мало. В этой работе мы использовали оптоволоконную фотометрию для исследования кальциевой активности РСК в задачах распознавания типа и положения объектов у мышей. Мы показали, что в момент контакта животного с объектом наблюдается снижение кальциевой активности РСК независимо от поведенческой задачи. При этом выполнение другой формы исследовательского поведения — стойки — не сопровождалось подобным снижением активности РСК. Таким образом, мы показали специфическое изменение активности РСК во время исследования объектов у мышей.

Ключевые слова: ретросплениальная кора, распознавание объектов, кальциевая активность, исследовательское поведение, оптоволоконная фотометрия.

Нейроморфные системы компьютерного зрения, также называемые событийными камерами, представляют собой сенсоры, основной принцип работы которых был заимствован из физиологического принципа работы человеческого зрения. Они отличаются от традиционных камер тем, что вместо того, чтобы выполнять снимки через фиксированные интервалы времени, они асинхронно детектируют изменения яркости каждой точки пространства, попадающего в объектив камеры. На выходе эти сенсоры генерируют поток пакетов с данными, где каждому пакету соответствует событие изменения яркости, а сам пакет содержит информацию о времени возникновения события, координатах пикселя и полярности изменения яркости (увеличение либо уменьшение). В статье приводится описание принципов работы событийных камер. Дается обзор их основных преимуществ, а также наиболее перспективных направлений для применения данной технологии в различных областях деятельности человека.

Ключевые слова: событийные камеры, машинное зрение, нейроморфные системы, компьютерное зрение, асинхронные сенсоры, широкий динамический диапазон, робототехника.

Работа посвящена исследованию влияния посттравматического стрессового расстройства на спонтанное поведение и активность мозга животных в покое. Методами автоматизированного анализа поведения, Fos-нейроимиджинга и картирования сетей покоя показано, что стрессорный опыт изменяет спонтанное поведение, вызванную и спонтанную активность мозга, а также паттерны функциональных связей в сетях покоя через длительное время после травмы.

Ключевые слова: ПТСР, сети покоя, с-fos, спонтанное поведение, блокада синтеза белка.

В работе предлагается модель размышлений агентов при учете эффекта забывании агентами неиспользуемых формул и ограничений на сложность формул. Обсуждаются формальная постановка, модификации, мотивация и обоснование ее адекватности.

Ключевые слова: исчисление, полнота, мультиагентная система, неклассические логики, сложность, социальная сеть.

One of the biggest hypes in current research is Artificial Intelligence. Similar to the AI 1.0, 2.0, and 3.0 hypes, the claim is that AI will help to solve all problems everywhere and anytime, will replace almost all human activities by greater machinery, will be far more intelligent than humans, will be far more reliable than humans, and will be the basis for greater wealth. We briefly investigate whether it is possible and figure out that these and other promises are not realistic. A silver bullet is, however, modelling since it is more concerned with human intelligence.

Ключевые слова: artificial intelligence, human intelligence, modelling, AI models.

В докладе показано, что развитие систем ИИ связывают с персонализации и индивидуализации процесса образования за счет формирования индивидуальных образовательных программ, индивидуального графика образовательного процесса с учетом индивидуального опыта, стиля мышления, уровня знаний, для максимального психологического комфорта ребенка. Системы ИИ смогут повысить доступность образования, поддержать профориентацию и трудоустройство за счет анализа сформированных компетенций. Сторонники применения ИИ в образовании выделяют ряд возможных преимуществ технологий ИИ для ребенка: новизна, возможное повышение вовлеченности и мотивации; возможность поставить индивидуальные задачи в зависимости особенностей, что помогает детям почувствовать себя особенными. В образовании должна обсуждаться дилемма индивидуальной автономии и общественного блага, поскольку ИИ вызывает обострение противоречий между неприкосновенностью частной жизни, уважением достоинства и автономии человека и пониманием образования как общественного блага. Очень острая проблема – конфиденциальности информации, определение режимов и уровня доступности к той информации, с которой работает ИИ, и рекомендациям, которые он дает. Датификация в образовании рискует стать фактором стигматизации и дискриминации. Системы ИИ могут служить усилению социальной нормированности, то есть результат применении ИИ может быть прямо противоположным, чем персонификация. Не решена для образования проблема ответственности при применении ИИ и проблема создания «trustworthy AI». Нуждается в разработке этика взаимодействия ребенка с искусственным интеллектом, не ясны психологические эффекты взаимодействия ребенка с системой ИИ.

Ключевые слова: философия образования, искусственный интеллект, сущность образования, этика искусственного интеллекта.

В работе предпринята попытка наблюдения за модерацией голосовым помощником группового взаимодействия. Выявлены особенности динамики взаимодействия членов группы, модерируемой голосовым помощником. Обсуждаются технические ограничения при проектировании навыков голосового помощника для модерации группового взаимодействия. Заметная членам группы алгоритмичность навыка голосового помощника снижает вовлеченность в процесс взаимодействия. Однако за счёт технических ограничений члены группы организуют совместную деятельность по выстраиванию взаимодействия с голосовым помощником, что позволяет, на ранних этапах развития группы, увеличить воспринимаемую сплоченность. Мы приходим к выводу, что невозможность различить голоса говорящих, отследить обращения участников друг к другу и запомнить контекст дискуссии, не позволяют голосовому помощнику модерировать групповое взаимодействие полноценно, следя за появлением лидера, формированием групповых норм и возникновением конфликтов.

Ключевые слова: Человеко-компьютерное взаимодействие, Голосовой помощник, Групповое взаимодействие.

В сообщении речь пойдет об этико-прикладных проблемах создания и использования технологий искусственного интеллекта. Рассматриваются существующие этические кодексы, регламентирующие сферу искусственного интеллекта и их ключевые принципы.

Ключевые слова: искусственный интеллект, философия техники, прикладная этика

Нейросетевые модели — стремительно набирающий популярность метод исследования и описания сложных мозговых процессов. Именно поэтому вопрос биологического правдоподобия и реалистичности подобных моделей является крайне актуальным. В данной работе мы обсудим существующие нейросетевые модели и примеры нейробиологического моделирования на их основе.

Ключевые слова: искусственные нейросети, моделирование сложных систем, вычислительные нейронауки

В докладе дается описание концепции человеко-компьютерных интеллектуальных систем (систем гибридного интеллекта), основных проблем их разработки, приводятся примеры таких систем для организаций международного, федерального и корпоративного уровней. Основное внимание уделяется аналитическим возможностям таких систем. Приводятся формулировки прямой и обратных задач. Показывается, что, в отличии от стандартной OLAP аналитики (анализ прошлого) и от аналитики data mining (прогнозирование будущего), такие системы позволяют конструировать будущее. В частности, понимать, что и как надо поменять в анализируемой системе, чтобы достичь максимального эффекта в рамках заданного бюджета и/или как достичь заданного эффекта при минимальном бюджете. Такие особенности систем гибридного интеллекта позволяют использовать их в широком классе задач управления социально-экономическими процессами и социально-техническими системами.

В данной работе обсуждаются результаты эксплораторного этапа (первого из трех) исследования социальных представлений молодежи об Искусственном интеллекте (ИИ). Наша работа основана на теории социальных представлений Московиси[11]. Были проведены интервью (N = 14), наблюдения (N = 14) и собраны свободные ассоциации на тему ИИ (N = 127). Цель данного этапа — обозначить карту общих значений, связанных с ИИ. Наиболее ярко выраженными оказались темы, описанные ниже. 1) Представления о будущем с ИИ: одновременно сосуществуют сценарии катастрофы с безработицей и сценарии свободного, творческого и беззаботного будущего для человека. 2) Размышления о “не-человечности” ИИ. 3) Деление сфер применения на допустимые для использования ИИ и недопустимые. Следующими шагами данного исследования станут анализ медиа на выявление новых и подтверждение проявившихся тем; анализ позиционирования этих тем.

Ключевые слова: Искусственный интеллект, Взаимодействие Человек-ИИ, Теория социальных представлений.

В докладе исследуются возможности использования нейронных сетей для диагностики креативности. Использование психометрических методов вместе с методами машинного обучения позволило оценить выраженность креативности у 1831 ученика четвертого класса через анализ графических решений, созданных в компьютерной среде. Также на основе применения обученной модели нейронной сети изучается, какой эффект на результаты диагностики креативности оказывают особенности инструкции задания (инструкции, побуждающие и непобуждающие к креативному поведению).

Ключевые слова: измерение креативности, нейронные сети, психометрика, анализ изображений.

Измерение креативности – актуальная задача для исследователей и практиков. На сегодняшний день в отечественной психологии не существует инструмента измерения креативности в школьном возрасте, реализованного в современном компьютерном формате с автоматической обработкой результатов. Данное исследование демонстрирует, какие перспективы в области психологического тестирования вносят современные компьютерные технологии и тренд к автоматизации.

Ключевые слова: компьютерное тестирование, автоматическое оценивание, измерение креативности.

The paper introduces the concept of de Morgan multimonoid and considers the possibility of constructing a relevant multilattice logic on its basis. The problem of constructing a sequent calculus for it is discussed.

Ключевые слова: relevant logic, multilattice logic, multilattice, multimonoid, sequent calculus.

In our talk we will consider three epistemic logics for ignorance rep- resentation. The overall objective of the talk is to provide a comparative analysis of these three settings and evaluate the extent to which each logic succeeds in formalizing ignorance.

Ключевые слова: Epistemic logic, ignorance that, ignorance whether, factive ignorance, frame definability.

Предлагается эпистемико-доксатическая модель с социальным влиянием, позволяющая расширить классическую модель ДеГроота за счет более богатого описания мнения агентов.

Ключевые слова: модель ДеГроота, социальное влияние, эпистемическая логика

Р. А. Кокорев, О. Н. Лаврентьева, И. Б. Суркова, М. С. Толстель, В. С. Трушина Искусственный интеллект в финансах: за или против человека

Прогресс в создании искусственного интеллекта (далее – ИИ) отражается как в эволюции его определений, так и в возрастании интереса к его использованию со стороны участников финансового рынка по всему миру и регуляторов. С точки зрения пользователей финансовых услуг можно выделить определенные возможности и вызовы, сопровождающие внедрение ИИ в этой сфере. Несмотря на предупреждения о подобных рисках, звучащие в том числе от представителей бизнес-сообщества, крупные компании продвигают в качестве «лучших практик» при использовании данных весьма спорные с точки зрения потребителя рекомендации. Приобретает особую важность «человеческий» фактор и более тщательное изучение не рационализируемых напрямую особенностей поведения и принятия решений людьми, в том числе в сфере потребительских услуг финансового рынка, для которых ИИ становится все более распространенной технологией.

Ключевые слова: искусственный интеллект, финансовые услуги для потребителей, принятие решений.

Строится формальная система, предназначенная для логического анализа суждений существования. В ее языке содержится неопределенно-местная константа существования, простые формулы образуются сочленением этой константы с произвольной конечной последовательностью общих терминов. Предлагается аналитико-табличный вариант этой логики, формулируется разрешающая процедура. Исследование выполнено в рамках научно-образовательной школы Московского государственного университета имени М.В.Ломоносова «Мозг, когнитивные системы и искусственный интеллект».

Ключевые слова: суждения существования, исчисление, семантика, аналитические таблицы, разрешающая процедура.

Применение методов искусственного интеллекта и методов машинного обучения для выполнения задач маршрутизации с последующим прогностическим моделированием оптимальной стратегии действий становится эффективным инструментом в прикладном применении к развитию инновационной экономики. Системы поддержки принятия решений, предлагающие возможные пути развития бизнеса и предлагающие решения на основе размеченных Data Setов, становятся драйверами как для стартапов, так и для крупных корпораций, работающих в сфере развития новых технологий.

Ключевые слова: искусственный интеллект, персональных инвестиционных маршрутов для технологических проектов, принятие решений.

Современные цифровые технологии, в частности, искусственный интеллект, являются основой для существования цифровых экосистем, которые функционируют в разнообразных сферах, а следовательно, и рынках. Представленное исследование касается анализа поведения участников экосистем, которое подкрепляется математическим моделированием. Полученные выводы из анализа при различных структурах рынка свидетельствуют о множественных эффектах, не только прямых и косвенных сетевых, но и «петлях обратной связи», которые нужно принимать во внимание при принятии бизнес и управленческих решений.

Ключевые слова: цифровые экосистемы, конкурентная политика, монополии, платформы, искусственный интеллект

Технологиями могут быть названы алгоритмы, результат выполнения которых является результатом протекания последовательности внешних физических процессов, инициируемых активным агентом. В докладе определен язык и семантика технологий, а также аксиоматизирована минимальная логика технологий. Одной из возможных областей применения предложенного языка является эволюционное программирование с целью адаптивной оптимизации существующих технологий и поиска новых.

Ключевые слова: технологии, логика технологий, натуральные алгоритмы, эволюционное программирование.

Разработка алгоритмов машинного обучения для автоматического описания рентгеновских изображений

Цель работы: реализация нескольких алгоритмов машинного обучения для автоматического анализа рентгеновских изображений, сравнение результатов их работы между собой и с аналогами. В результате проведённых экспериментов было проведено сравнение двух типов архитектур, 4 архитектур, одного ансамбля нейронных сетей. Был оценен эффект трёх различных способов предобработки изображений на результаты классификации и выделяемые на изображениях признаки. Было произведено сравнение обученных нейронных сетей между собой и с аналогами. Был произведён анализ наиболее распространённого набора данных рентгеновских снимков грудной клетки, сформулированы его недостатки. Были сформулированы рекомендации к дальнейшему улучшению работы аналогичных систем.The research objective is to develop the system for automatic analysis of X-ray images and evaluate the results of its work. A comparison was made of two types of architectures, 4 architectures, one ensemble of neural networks. Image preprocessing was te.

See Full PDF
See Full PDF

Related Papers

Loss of yield due to plant diseases is a serious problem for rural farmers, the economy and food security, requiring timely measures to identify and prevent diseases. Recently, neural network methods of deep penetration have been successfully applied to solve the problem of recognizing plant diseases from photographs of their leaves. This study analyzes the methods used to train deep convolutional neural networks for cases of a small training set. For the PDD data (http://pdd.jinr.ru/crops.php), the transfer learning technique and the Siamese neural network method with a three-term error function were applied, which allowed achieving 99.5% of the classification accuracy.

Download Free PDF View PDF

Russian Digital Libraries Journal

This article presents solutions to the person's fatigue recognition problem by the face's image analysis based on convolutional neural networks. In the present paper, existing algorithms were considered. A new model's architecture was proposed and implemented. Resultant metrics of the model were evaluated.

Download Free PDF View PDF

В этой статье обсуждается использование нескольких алгоритмов классификации и нейронных сетей глубокого обучения для распознавания рукописных букв и цифр русского и латинского алфавитов на фотографиях или при ручном вводе. Были проанализированы и протестированы восемь вариантов технологии распознавания: с использованием классификаторов из пакета Scikit-learn и нейронных сетей глубокого обучения. Для построения и обучения нейронных сетей или обучения классификаторов были выбраны известные и достаточно полные базы, база рукописных цифр MNIST, база рукописных букв латинского алфавита EMNIST и набор данных CoEMNIST для кириллических символов. Были рассмотрены два типа нейронных сетей: последовательные и сверточные. Обучение нейронных сетей проводилось с использованием переменного количества шагов (эпох). Распознаваемые изображения были масштабированы до размера 28×28 (784 ячейки в одномерном представлении). Предварительная обработка изображений (фильтрация, масштабирование и др.) провод.

Download Free PDF View PDF

The article is devoted to the analysis of manifestations in rare multibody decays of heavy nuclei. Together with physicists from the FLNR JINR, a computer model of the fine structure was developed, which they found on the basis of experiments on with transuranium element Californium. To test the hypothesis that the structure found is a meaningful, and is not a noise artifact, it was proposed to use a deep convolution network as a binary classifier trained on a large sample of model and noise images. Preliminary results of using the developed neuroclassifier show prospects of the proposed approach.

Download Free PDF View PDF

The monograph is devoted to investigation of properties and possibilities of the assembly neural network in the process of recognition of visual images. Hebb’s hypothesis about cell assemblies underlies the network. The assembly network is partitioned into several sub-networks so that one sub-network represents one recognized class. The monograph describes formation of neural assemblies during the primary learning procedure, mechanisms of secondary learning (differentiation) of the network, and different algorithms of recognition. The study of the assembly network is conducted on such tasks as recognition of handwritten letters of Ukrainian alphabet, recognition of handwritten digits of MNIST database, and segmentation (recognition) of texture images. Also, a model of recognition of symbolic sequences (words) is presented in the monograph

Download Free PDF View PDF

Автоматизация Процессов Управления

The article describes an approach to the implementation of a software package for determining the probability of a collision of a mobile robot with obstacles. This approach is based on a neural network model with attention. Key feature is the method of the training dataset generation: the labeling of obstacles and the values of the probability of collision with them is performed not in manual mode, but using a deterministic algorithm that uses the result of semantic segmentation using another pre-trained neural network. This method allows to use a poorly detailed description of the external environment for training convolutional neural networks with attention on the example of recognizing obstacles when a mobile robot moves in simulation mode. At the same time, low detail allows to reduce the time-consuming process of manual data labeling due to automatically generated sampling in the NVIDIA Isaac environment, and the attention mechanism allows to increase the interpretability of th.

Download Free PDF View PDF

Какая из задач не относится к типичным постановкам задач для машинного обучения

Анализ данных — основы и терминология

Алгоритмы и эвристики

Задачи машинного обучения с учителем

Выбор метрики и валидационная процедура

Типичный цикл развития проекта

Заключение

Методы машинного обучения в малом бизнесе: содержание и управление Текст научной статьи по специальности «Компьютерные и информационные науки»

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Тищенко Сергей Александрович, Шахмурадян Михаил Андреевич

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Тищенко Сергей Александрович, Шахмурадян Михаил Андреевич

METHODS OF MACHINE-AIDED TRAINING IN SMALL BUSINESS: CONTENT AND MANAGEMENT

Текст научной работы на тему «Методы машинного обучения в малом бизнесе: содержание и управление»

2022 год, том 26, выпуск 1 (PDF)

Разработка алгоритмов машинного обучения для автоматического описания рентгеновских изображений

Related Papers

Добавить комментарий Отменить ответ