Разработка модели машинного обучения для классификации животных зоопарка
Введение
Машинное обучение – это область искусственного интеллекта, которая изучает алгоритмы и методы, позволяющие компьютеру обучаться на основе опыта и данных, не требуя явного программирования для каждой конкретной задачи. С помощью машинного обучения возможно решать многие сложные задачи, такие как классификация, регрессия, кластеризация и другое. Оно находит применение во многих областях, включая бизнес, медицину, финансы, обработку естественного языка и так далее. Одной из основных целей машинного обучения является создание интеллектуальных систем, способных анализировать и принимать решения на основе имеющихся данных.
Объектом исследования выпускной квалификационной работы являются животные зоопарка (их характерные признаки). Предметом исследования является модель машинного обучения для классификации животных зоопарка.
Целью выпускной квалификационной работы является классификация животных зоопарка с использованием методов регрессии: линейная регрессия, случайный лес,
Содержание
Введение4
1 Анализ предметной области5
2 Анализ целесообразности использования заданных средств разработки7
3 Техническое задание11
3.1 Основание для разработки11
3.2 Назначение разработки11
3.3 Требования к программе11
3.3.1 Требования к функциональным характеристикам11
3.3.2 Требования к надежности14
3.3.3 Требования к составу и параметрам технических средств14
3.3.4 Требования к информационной и программной совместимости15
3.4 Требования к программной документации16
3.5 Стадии и этапы разработки16
3.6 Порядок контроля и приемки16
4 Исследование методов предобработки данных18
4.1 Исследование статистических методов подготовки данных18
4.2 Исследование методов отбора информативных показателей19
4.3 Исследование методов машинного обучения20
5 Разработка модели машинного обучения25
5.1 Предобработка данных25
5.2 Реализация метода линейная регрессия30
5.3 Реализация метода случайный лес32
5.4 Реализация метода многослойный персептрон34
6 Проектирование модели систем принятия решений36
6.1 Обоснование среды разработки36
6.2 Выбор библиотеки для написания Front-end приложения37
6.3 Реализация39
6.4 Описание задачи44
Заключение47
Список принятых сокращений48
Список использованных источников49
Приложение А. Оценка качества данных51
Приложение Б. Тестирование54
Приложение В. Текст программы59
Список использованных источников
1 Боровиков В.П. Популярное введение в современный анализ данных и машинное обучение на STATISTICA / В.П. Боровиков. – Москва : Горячая Линия – Телеком, 2023. – 354 с.
2 Вьюгин В.В. Математические основы машинного обучения и прогнозирования / В.В. Вьюгин. – Москва : МЦНМО, 2022. – 399 с.
3 Николенко С.И. Глубокое обучение / С.И. Николенко, А.А. Кадурин, Е.О. Архангельская. – Санкт-Петербург : Питер, 2022. – 480 с.
4 Электронный ресурс: «sklearn.linear_model.LinearRegression» Форма доступа: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html (дата обращения: 10.04.2023)
5 Электронный ресурс: «sklearn.ensemble.RandomForestRegressor» Форма доступа: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html (дата обращения: 11.04.2023)
6 Электронный ресурс: «sklearn.neural_network.MLPRegressor» Форма доступа: https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPRegressor.html (дата обращения: 12.04.2023)
7 Электронный ресурс: «FastAPI» Форма доступа: https://fastapi.tiangolo.com (дата обращения: 15.04.2023)
8 Электронный ресурс: «Streamlit documentation» Форма доступа: https://docs.streamlit.io/ (дата обращения: 19.04.2023)
9 Электронный ресурс: «Алгоритмы Машинного обучения» Форма доступа: https://azure.microsoft.com/ru-ru/resources/cloud-computing-dictionary/what-are-machine-learning-algorithms (дата обращения: 22.04.2023)
10 Электронный ресурс: «Машинное обучение: типы, краткая история и принцип работы» Форма доступа: https://gb.ru/blog/maschinnoe-obuchenie/?ysclid=lgul366yfs967296997 (дата обращения: 25.04.2023)
11 Электронный ресурс: «Что такое машинное обучение: возможности и сценарии применения» Форма доступа: https://cloud.yandex.ru/blog/posts/2022/10/machine-learning (дата обращения: 27.04.2023)
Алгоритмы обучаются на полном наборе данных, а затем признаки удаляются по очереди, пока не будет достигнуто определенное качество модели. Список некоторых из наиболее распространенных методов: Backward Elimination, Forward Selection, Genetic Algorithm;
- методы вложения: это методы, которые добавляют штраф на сложность модели в целевую функцию оптимизации, что позволяет автоматически выбирать наиболее информативные признаки в процессе обучения модели. Список некоторых из наиболее распространенных методов: Lasso Regression, Ridge Regression, Neural Networks;
- методы выбора с использованием деревьев решений: это методы, которые используют деревья решений для оценки важности каждого признака. Признаки ранжируются по значимости, а затем выбираются наиболее информативные. Список некоторых из наиболее распространенных методов: Importance Features, Recursive Feature