Список публикаций по ключевому слову: «машинное обучение»
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
ФГБОУ ВО «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.