Список публикаций по ключевому слову: «машинное обучение»
Технические науки (электромеханика, приборостроение, машиностроение, металлургия и др.)
ФГАОУ ВО «Самарский национальный исследовательский университет им. академика С.П. Королева» , Самарская обл
«Нейронные сети для распознавания речи»
В данной работе рассматривается один из способов применения нейронных сетей – распознавание речи.
Технические науки
Караева Дария Александровна , магистрант
ФГАОУ ВО «Московский физико-технический институт (государственный университет)» , Московская обл
«Применение генетического алгоритма для имитации искусственного интеллекта в игре»
В данной статье рассмотрен пример использования нейронной сети для создания интеллектуального бота для игры 2048. Использована модифицированная версия генетического алгоритма, подобраны оптимальные параметры для достижения высоких результатов. Показано, что написанная программа может достигать лучших результатов, нежели среднестатистический игрок.
Технические науки (электромеханика, приборостроение, машиностроение, металлургия и др.)
Скляр Анастасия Владимировна , студентка
Шлыкова Ольга Анатольевна , студентка
Заболотских Татьяна Александровна , студентка
ФГБОУ ВО «Омский государственный технический университет» , Омская обл
«Актуальность вопроса машинного обучения»
Данная статья посвящена вопросу машинного обучения, описаны области применения новых технологий, рассмотрены основные виды нейронных сетей и их применение в распознавании текста, системах управления и телекоммуникаций.
Технические науки
Институт информационных технологий и телекоммуникаций ФГАОУ ВО «Северо-Кавказский федеральный университет» , Ставропольский край
«Процессор Intel Nervana для систем искусственного интеллекта»
В данной статье предлагается обзор нового специализированного процессора Nervana NNP от компании «Intel», который предназначен для работы с системами искусственного интеллекта. В статье выяснены особенности и преимущества процессора, его предназначение.
Технические науки (электромеханика, приборостроение, машиностроение, металлургия и др.)
Центр прогнозирования и развития ФГБОУ ВО «Югорский государственный университет» , Ханты-Мансийский Автономный округ - Югра АО
«Алгоритмы адаптивного бустинга как инструмент прогнозирования аварий на примере разлива нефти В ХМАО – Югре»
В статье представлен общий подход к прогнозированию участков, на которых произойдёт разлив нефти в регионе c использованием модели черного ящика и алгоритмов адаптивного бустинга. Предложены подходы к формированию обучающей выборки и особенности работы с алгоритмом AdaBoost.
Центр прогнозирования и развития ФГБОУ ВО «Югорский государственный университет» , Ханты-Мансийский Автономный округ - Югра АО
«Общий алгоритм предварительной обработки естественного языка»
В статье представлен общий подход к базовой обработке текстов на естественном языке. Рассмотрен сценарий обработки исходно текста на русском языке для получения массива токенов, с которыми можно в дальнейшем работать как с классами.
Технические науки
ФГАОУ ВО «Самарский национальный исследовательский университет им. академика С.П. Королева» , Самарская обл
«Линейная регрессия»
В статье рассматривается один из методов машинного обучения – линейная регрессия.
ФГАОУ ВО «Самарский национальный исследовательский университет им. академика С.П. Королева» , Самарская обл
«Реализация многослойной сети персептрона»
В статье рассматривается способ реализации многослойной сети персептрона.
ФГАОУ ВО «Самарский национальный исследовательский университет им. академика С.П. Королева» , Самарская обл
«Нелинейная регрессия»
В статье рассматривается один из методов машинного обучения – нелинейная регрессия.
ФГАОУ ВО «Самарский национальный исследовательский университет им. академика С.П. Королева» , Самарская обл
«Линейные классификаторы»
В данной исследовательской работе автором рассматривается один из методов машинного обучения – использование метрических классификаторов.
ФГАОУ ВО «Самарский национальный исследовательский университет им. академика С.П. Королева» , Самарская обл
«Логические классификаторы»
В данной работе автором рассматриваются один из методов машинного обучения – использование метрических классификаторов.
ФГАОУ ВО «Самарский национальный исследовательский университет им. академика С.П. Королева» , Самарская обл
«Метрические классификаторы»
В данной работе рассматриваются один из методов машинного обучения – использование метрических классификаторов. Автором также представлены типы метрических алгоритмов.
Информатика и вычислительная техника
Елистратов Виктор Васильевич , д-р техн. наук , профессор
Санкт-Петербургский институт машиностроения ФГБОУ ВО «Санкт-Петербургский политехнический университет Петра Великого» , Санкт-Петербург г
«Разработка обученной модели искусственного интеллекта для прогнозирования скорости эрозии»
В статье описана методология разработки автономной самообучающейся модели искусственного интеллекта для оперативного расчета эрозионного износа трубопроводов. Модель построена на алгоритме градиентного бустинга LightGBM с использованием обучающей выборки, сгенерированной в Ansys Fluent. Реализована полная интеграция модели в облачную среду Google Sheets, обеспечивающая мгновенное прогнозирование и возможность постоянного дообучения.
ФГАОУ ВО «Южно-Уральский государственный университет (НИУ)» , Челябинская обл
«BigData & Machine learning: решения по извлечению ценности из данных (продажи)»
В данной статье рассматриваются подходы, логика и целесообразность применение в бизнесе машинного обучения и больших данных и их влияние при принятии решений.
АНО ВО «Московский информационно-технологический университет – Московский архитектурно-строительный институт» , Москва г
«Применение платформы распределенных вычислений больших данных в банковской сфере»
В настоящее время наблюдается колоссальный рост количества цифровых данных, и, по данным экспертов, этот объем будет увеличиваться на 30–40% ежегодно. Объем данных, созданных в 2020 году, более чем в 3 раза превышает объем данных за 2015 год, и составляет 64 Зеттабайт (Зб). В 2022 году объемы всех данных, накопленных человечеством, составили примерно 97 Зб, а к 2025 году это число возрастет до 180 Зб. В связи с этим многие компании ищут новые способы, методы, автоматизированные системы по обработке таких данных. В статье рассмотрены платформы по обработке данных, которые позволят финансовым организациям выйти на новый уровень как по качеству оценки кредитоспобности, риск-менеджменту, так и по прибыли.
Бухгалтерский, управленческий учет и аудит
Стрекалова Светлана Александровна , старший преподаватель
Сибирский государственный индустриальный университет , Кемеровская обл
«Искусственный интеллект и машинное обучение в автоматизации процессов закрытия периода и подготовки отчетности»
Исследование посвящено разработке алгоритма машинного обучения для автоматизации проверки финансовых данных при закрытии отчетного периода. Актуальность работы обусловлена высокой трудоемкостью и ошибками ручных методов, а также ростом объемов данных и ужесточением регуляторных требований. В качестве решения предлагается ансамблевый алгоритм на основе искусственного интеллекта, способный выявлять аномалии в финансовой отчетности. Экспериментальная апробация показала сокращение времени проверки на 30% при одновременном повышении точности детекции ошибок. Результаты демонстрируют практическую применимость подхода для трансформации процессов финансового контроля и создания интеллектуальных систем отчетности.