Моделi i методи машинного навчання для завдань передбачення

Автор(и)

  • М. М. Шаркадi ДВНЗ "Ужгородський національний університет", Україна https://orcid.org/0000-0002-1850-996X
  • М. В. Роботишин ДВНЗ "Ужгородський національний університет", Україна https://orcid.org/0000-0001-6567-6974
  • М. М. Маляр ДВНЗ «Ужгородський нацiональний унiверситет», Ужгород,, Україна

DOI:

https://doi.org/10.24144/2616-7700.2020.1(36).112-122

Ключові слова:

передбачення, iнтелектуальний аналiз даних, алгоритми машинного навчання.

Анотація

В процесi еволюцiї людства змiнюється характер дiяльностi людини i необхiдний «iнструментарiй» для вирiшення нових задач. Останнiм часом все бiльшу увагу заслуговують проблеми пов’язанi з прийняттям рiшень. Особливо актуальними є проблеми пiдтримки рiшень у процесi управлiння соцiально-економiчними системами. Приймаючи рiшення, як правило, стикаються з проблемами пошуку iнформацiї, невпевненiстю, невизначенiстю, а в деяких випадках i з конфлiктнiстю у процесi вироблення
рiшення. При цьому припускається, що реалiзацiя будь-якого з варiантiв рiшень передбачає настання певних наслiдкiв, аналiз та оцiнка яких повнiстю характеризує обраний варiант. Для оцiнювання можливих наслiдкiв традицiйно використовуються складнi аналiтичнi розрахунки, знання фахiвцiв-експертiв, засоби сучасних iнформацiйних технологiй.


Проведений аналiз iснуючої практики управлiння соцiальними та економiчними системи дає можливiсть запропонувати новi напрями її оптимiзацiї, котра, в свою чергу, передбачає орiєнтацiю на запрограмованi показники розвитку як внутрiшнiх системних характеристик, так i параметрiв зовнiшнього середовища з урахуванням прогнозних значень ключових параметрiв об’єкта управлiння. Саме орiєнтацiя на прогнознi показники розвитку дозволяє розробляти та втiлювати в життя дiєвi стратегiї
управлiння процесами в соцiальних та економiчних системах. Важливiсть володiння iнструментарiєм та методиками розробки прогнозiв для економiста i управлiнця в сучасних умовах є беззаперечною.

Мета даної роботи, на основi аналiзу лiтературних джерел зробити висновки щодо особливостей, перспектив використання та можливостей розвитку iнтелектуального аналiзу даних у сучасних умовах розвитку комп’ютерних технологiй.


У роботi розглянуто основнi методи машинного навчання i проаналiзовано особливостi та результати їх застосування до вирiшення проблем завдань передбачення. Для вирiшення проблеми, що iснує потрiбно визначити, якi напрямки розвитку технологiй потрiбно удосконалювати та дослiджувати науковцям.


Машинне навчання являється пiдроздiлом доволi широкої областi науки, яка вивчає штучний iнтелект. Алгоритми, якi вiдносяться до даного напрямку, використовуються для вирiшення завдань, для яких часто складно або неможливо придумати явний алгоритм розв’язку.

Біографії авторів

М. М. Шаркадi, ДВНЗ "Ужгородський національний університет"

доцент кафедри кiбернетики i прикладної математики,
кандидат економiчних наук

М. В. Роботишин, ДВНЗ "Ужгородський національний університет"

магiстр прикладної математики

М. М. Маляр, ДВНЗ «Ужгородський нацiональний унiверситет», Ужгород,

професор кафедри кiбернетики i прикладної математики,
доктор технiчних наук

Посилання

  1. Gladun, A.Y., & Rogushena, Y. V. (2016). Data mining: Search for knowledge in data. Kiev: ADEF - Ukraine LLC. [in Ukrainian]
  2. Zgurovsky, M.Z., & Pankratova, N.D. (2005). Technological foresight. Kiev: Publishing House «Polytechnic Publishing House». [in Russian]
  3. Machine learning by Stanford university: Website.(2019, June 1). Retrieved from https://www.coursera.org/learn/machine-learning/home/welcome.
  4. Machine learning. Types of training: Website. (2019, June 1). Retrieved fromhttps://courses.prometheus.org/en/courses/IRF/ML101/2016_T3/about. [in Ukrainian]
  5. Machine Training course from Prometheus: website. (2019, April 4). Retrieved from: https://courses.prometheus.org/assets/courseware/cdf163c83c64f8357ddbcdac82f7d624/c4x/
  6. IRF/ML101/asset/Week_1_summary. [in Ukrainian]
  7. Voroncov, K. V. (2007). Algorithms of clustering and many-dimensional scaling: a course of lessons [Algorithms for clustering and multidimensional scaling: a course of lectures]. Moscow State University, Moscow, Russia. [in Russian]
  8. Bishop, C.M. (2006). Pattern Recognition and Machine Learning. NY: Springer.
  9. Ghamisi, P., Plaza, J. , Chen, Y., Li, J. & Plaza, A. J. (2017). Advanced Spectral Classifiers for Hyperspectral Images: A review. IEEE Geoscience and Remote Sensing Magazine, 5(1), 8–32. 10.1109/MGRS.2016.2616418
  10. Vorontsov, K.V. Lectures on logical classification algorithms: website. (2019, october 1) Retrieved from http://www.ccas.ru/voron/download/LogicAlgs.pdf.
  11. Hastie, T. Tibshirani, R., & Friedman, J. (2008). The Elements of Statistical Learning. Springer-Verlag.
  12. Novikov, & Rodionov, A. (2008). The synthesis of information protection systems with optimal properties. Complexity and Security, 37.
  13. LeCun, Y., Yoshua, B., & Geoffrey, H. (2015). Deep learning. Nature, 521(7553), 436–444.
  14. Maulik, U. & Chakraborty, D. (2017). Remote Sensing Image Classification: A survey of support-vectormachine-based advanced techniques. IEEE Geoscience and Remote Sensing
  15. Magazine, 5(1), 33–52.
  16. Huang F.J. Large-scale learning with SVM and convolutional nets for a generic object categorization / F.J. Huang, Y. LeCun // IEEE Computer Society Conference on Computer Vision and Pattern Recognition. - 2006. P. 284–291.
  17. Pirotti, F., Sunar, F., & Piragnolo, M. (2016).Benchmark of machine learning methods for the classification of a Sentinel-2 image. International Archives of Photogrammetry, Remote Sensing & Spatial Information Sciences,41, 335–340.
  18. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5–32.
  19. Chen, T., & Guestrin, C. (2019, November 15). XGBoost: A Scalable Tree Boosting System. Retrieved from https://arxiv.org/abs/1603.02754
  20. Rokach, L. (2005). Ensemble Methods for Classifiers. Boston: Springer.
  21. Ensemble Methods in Machine Learning: Website. (2019, November 15). Retrieved from https://towardsdatascience.com/ensemble-methods-in-machine-learning-what-are-they-and-why-use-them-68ec3f9fef5f.
  22. Zgurovsky, M.Z., & Pankratova, N.D. (2007). System Analysis: Theory and Applications. Springer

##submission.downloads##

Опубліковано

2020-06-25

Як цитувати

Шаркадi М. М., Роботишин, М. В., & Маляр, М. М. (2020). Моделi i методи машинного навчання для завдань передбачення. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 1(36), 112–122. https://doi.org/10.24144/2616-7700.2020.1(36).112-122

Номер

Розділ

Iнформатика, комп’ютернi науки та прикладна математика