Методы анализа данных и машинного обучения
ВВЕДЕНИЕ
Актуальность темы исследования. В настоящее время актуальным направлением компьютеризации является разработка универсальных алгоритмов машинного обучения. Машинное обучение предназначается для того, чтобы создать разные системы анализа данных. Так, одним из примеров подобного рода алгоритмов можно привести детекторы контроля положения пешехода на проезжей части дороги, распознавание различного рода дефектов на деталях, системы диагностики и мониторинга состоянием технологического процесса [2].
Как правило, решение поставленной задачи сводится к типовой задаче [1], с предназначенной для каждой задачи списком алгоритмов. В связи с этим, перспективно расширить зоны использования текущих алгоритмов.
Целью настоящей курсовой работы является анализ методов анализа данных и машинного обучения.
Для достижения поставленной цели были выдвинуты ряд задач:
Провести обзор способов анализа данных с использованием машинного обучения.
Сравнить рассмотренные способы анализа
СОДЕРЖАНИЕ
Введение 5
1 Обзор алгоритмов машинного обучения 7
1.1 Обзор способов анализа данных с использованием машинного обучения 7
1.2 Сравнение рассмотренных способов анализа с использованием машинного обучения 13
1.3 Анализ перспективного направления развития машинного обучения 17
2 Практические аспекты алгоритмов машинного обучения 22
2.1 Построение персептрона на Python 22
2.2 Тренировка модели 23
2.3 Реализация алгоритма «случайные леса» 27
2.4 Реализация алгоритма k ближайших соседей 29
Заключение 31
Список использованных источников 32
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Алифбекова, Н.Р. Сравнительный анализ алгоритмов распознавания человеческого лица / Н.Р. Алифбекова, А.В. Рытов // Сборник статей Всероссийской студенческой научно-практической междисциплинарной конференции «Молодежь. Наука. Общество». 2020. – Тольяттинский государственный университет, 2020. – С. 38-41.
2. Власов, А.В. Машинное обучение применительно к задаче классификации семян зерновых культур в видеопотоке / А.В. Власов, А.С. Федеев // Молодежь и современные информационные технологии – сборник трудов XIV Международной научно-практической конференции студентов, аспирантов и молодых учёных, 07-11 ноября 2016. – Национальный исследовательский Томский политехнический университет (Томск), 2016. – С. 133-135.
3. Клячин В.Н. Использование агрегированных классификаторов при технической диагностике на базе машинного обучения / В.Н. Клячин, Ю.Е. Кувайскова, Д.А. Жуков // Информационные технологии и нанотехнологии (ИТНТ-2017) – сборник трудов III международной конференции и молодежной школы. Самарский национальный исследовательский университет имени академика С.П. Королева. 2017. – Предприятие «Новая техника» (Самара), 2017. – С. 1770-1773.
4. Кононова, Н.В. Исследование подсистемы контентной фильтрации с использованием методов машинного обучения / Н.В. Кононова, Ю.А. Андрусенко, Т.А. Самокаева // Студенческая наука для развития информационного общества – сборник материалов VI Всероссийской научно-технической конференции. 22-26 мая 2017. – Северо-Кавказский федеральный университет (Ставрополь), 2017. – С. 268-270.
5. Мелдебай, М.А. Анализ мнений покупателей на основе машинного обучения / М.А. Мелдебай, А.К. Сарбасова // Прикладная математика и информатика: современные исследования в области естественных и технических наук – материалы III научно-практической всероссийской конференции (школы-семинара) молодых ученых. 24-25 апреля 2017 года. – Издатель Качалин Александр Васильевич, 2017. – С. 360-363.
6. Наумов, Д.П. Регулятор CAP на основе машинного обучения / Д.П. Наумов, Д.П. Стариков // Информационные технологии в управлении, автоматизации и мехатронике – сборник научных трудов Международной научно-технической конференции. 06-07 апреля 2017 года. – ЗАО «Университетская книга» (Курск), 2017. – С. 106-114.
7. Осколков, В.М. Использование метода машинного обучения для повышения продук
В результате выполнения главы были сформированы следующие выводы:
1. Главной целью алгоритмов машинного обучения на сегодняшний день является решение типовых задач, подробно рассмотренных в главе.
2. Для увеличения точности анализа были разработаны алгоритмы глубокого машинного обучения, включающие разделение стадии анализа на 2 составляющие.
3. Проведено сравнение алгоритмов, предназначенных для классификации изображений по критериям: точность, время обработки кадров, реакция на окклюзию. На основании анализа был выбран наиболее точный алгоритм – OpenCV DNN.
4. Наиболее целесообразно найти новые подходы к применению существующих алгоритмов. Так, в рамках настоящей работы можно проверить применимость алгоритма