Разработка алгоритма обнаружения загруженности поездов на основе машинного обучения на высокоуровневом, интерпретируемом языке Python с использованием бинарной классификации
Введение
Была выбрана база из 1284 значений содержащая записи о нескольких поездах за несколько месяцев. Некоторые значения столбцов изменены по соображениям безопасности, но в целом этот набор данных можно использовать для изучения анализа временных рядов и понимания различных закономерностей в расписании поездов в нашей повседневной жизни, которые обычно применяются.Можно воспользоваться этим набором данных, чтобы предсказать, будет ли в определенный день толпа низкой или высокой, учитывая различные факторы.
Введение 5
Исследование набора данных для будущего обучения 6
Реализация задачи классификации с помощью ML на основе имеющейся базы 7
Результат проделанной работы 13
Заключение 16
Список использованной литературы 17
Список литературы
Введение в машинное обучение [Электронный ресурс]. – Режим доступа: https://habr.com/ru/post/448892/. – Дата доступа: 09.02.2022.
Deep Learning (Pytorch) + Binary Classification [Электронный ресурс]. – Режим доступа: https://www.kaggle.com/code/unstructuredrahul/deep-learning-pytorch-binary-classification. – Дата доступа: 10.03.2022.
Продвинутое машинное обучение с многослойным перцептроном [Электронный ресурс]. – Режим доступа: https://radioprog.ru/post/774. – Дата доступа: 20.03.2022.
Neural network models (supervised) [Электронный ресурс]. – Режим доступа: https://scikit-learn.org/stable/modules/neural_networks_supervised.html. – Дата доступа: 25.04.2022.
Метрики в задачах машинного обучения [Электронный ресурс]. – Режим доступа: https://habr.com/ru/company/ods/blog/328372/. – Дата доступа: 30.05.2022.
В результате проделанной работы был реализован алгоритм обнаружения загруженности поездов на основе машинного обучения на высокоуровневом, интерпретируемом языке Python с использованием бинарной классификации.Основные задачи:Изучение существующих баз данных для обучения нейронной сети, Реализовать алгоритм обнаружения загруженности поездов,Провести тесты реализованного алгоритма,Сформировать отчет. Полученные навыки: В ходе выполнения практической работы я дополнил свои знания о языке Python, углубился в теорию data science и ML. Также были получены новые знания из математической статистики и теории вероятностей.