Журнал «Continuum. Математика. Информатика. Образование»
Выпуск №2 (22) (2021)
УДК 004.89, 32.972
DOI 10.24888/2500-1957-2021-2-98-108
ПОДХОД К МОДЕЛИРОВАНИЮ И АНАЛИЗУ ДАННЫХ НА ОСНОВЕ РАЗВИТИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
Актуальной задачей является развитие подходов к моделированию и анализу данных на основе интеллектуальных алгоритмов. В данной работе рассматриваются вопросы построения и анализа математических моделей динамических систем с интеллектуальными компонентами. Рассмотрены вопросы применения метода главных компонент для решения задач машинного обучения, в частности, для решения задачи регрессии. Проанализированы примеры интеллектуального анализа данных с использованием набора данных «Ирисы Фишера».
APPROACH TO DATA MODELING AND ANALYSIS BASED ON THE DEVELOPMENT OF MACHINE LEARNING ALGORITHMS
An urgent problem is to develop approaches to data modeling and analysis based on intelligent algorithms. This paper deals with the construction and analysis of mathematical models of dynamic systems with intelligent components. The application of the principal component method for solving machine learning problems, in particular, for solving the regression problem, is considered. Examples of data mining using the Fischer Irises dataset are analyzed.
Список литературы
-
Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с.
-
Айвазян С.А., Енюков И.С, Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983. 472 с.
-
Васильев А. Н., Тархов Д. А. Принципы и техника нейросетевого моделирования. М.: Нестор-История, 2014. - 218 c.
-
Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки методов и средств нейросетевого моделирования нелинейных систем на базе отечественной вычислительной платформы "Эльбрус 801-PC" // Нелинейный мир. 2020. Т. 18. №2. С. 5-17.
-
Круглов В.В., Дли М.Н., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. 201 с.
-
Слепцов А.Ф., Слепцова М.В. Интеллектуальная образовательная среда: теоретические подходы и возможности реализации // Современные исследования социальных проблем (электронный научный журнал). 2016. № 5. С. 70-88.
-
Хайкин С. Нейронные сети. М.: Издательский дом "Вильямс", 2006. 1104 с.
-
Druzhinina O.V., Masina O.N., Petrov A.A., Lisovsky E.V., Lyudagovskaya M.A. Neural Network Optimization Algorithms for Controlled Switching Systems // Advances in Intelligent Systems and Computing (AISC). 2020. V. 1225. P. 470-483.
-
Fisher, R.A. The Use of Multiple Measurements in Taxonomic Problems // Annals of Eugenics. 1936. Vol. 7. P. 179 -188.
-
Gorban A.N., A. Zinovyev. Principal manifolds and graphs in practice: from molecular biology to dynamical systems, International Journal of Neural Systems, Vol. 20, No. 3 (2010) 219-232.
-
Plotnikova N.P., Fedosin S.A., Teslya V.V. Gravitation search training algorithm for asynchronous distributed multilayer perceptron model // Lecture Notes in Electrical Engineering. 2015. V. 312. P. 417-423.