Использование методов искусственного интеллекта в технологиях распределенных реестров
Введение
В результате развития компьютерных технологий стало возможным совершенствование системы искусственного интеллекта. На данный момент, искусственный интеллект внедрен в большое количество различных областей. Система искусственного интеллекта – это довольно абстрактное понятие, под которым обычно понимают систему, способную воспринимать окружающую среду и предпринимать действия, которые максимизируют шансы системы на успешное достижение поставленных целей. В сложных задачах искусственный интеллект часто используется для автоматического выделения особенностей исходных данных и способности к обобщению. Использование систем искусственного интеллекта может существенно сократить расходы на высокопрофессиональных специалистов и исключить ошибки, связанные с человеческим фактором.
На развитие IT повлияло появление в реестрах распределенных реестров. Разграниченные реестры (Distributed ledgertechnology, DLT) можно рассматривать как технологии хранения данных, в которых отсутствует
Оглавление
Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Обзор и сравнение классификаторов 10
1.1. Обзор методов классификации 10
1.1.1. Метод k-ближайших соседей 11
1.1.2. Метод опорных векторов 11
1.1.3. Решающие деревья 14
1.1.4. Случайный лес 16
1.1.5. Градиентный бустинг 17
1.1.6. Искусственные нейронные сети 19
1.2. Метрики оценки классификации 23
1.2.1. Accuracy 24
1.2.2. Precision и recall 25
1.2.3. F1-мера 25
Глава 2. Результаты 26
2.1. Датасет 26
2.2. Результаты классификации 30
2.2.1. Метод k-ближайших соседей 31
2.2.2. Метод опорных векторов 36
2.2.3. Решающие деревья 38
2.2.4. Случайный лес 42
2.2.5. Градиентный бустинг 46
2.2.6. Искусственные нейронные сети 49
Выводы 54
Заключение 55
Список литературы 56
Список литературы
1. A Gentle Introduction to Blockchain Technology [Электронный ресурс]: URL:https://bitsonblocks.net/2015/09/09/gentle-introduction-blockchain- technology (дата обращения: 12.04.2020).
2. Can hashgraph succeed blockchain as the technology of choice for cryptocurrencies? [Электронный ресурс]: URL:https://www.thehindu.com/ sci-tech/technology/can-hashgraph-succeed-blockchain-as-the-technology-of- choice-for-cryptocurrencies/article23348176.ece (Обращения: 12.04.2020).
3. Kiran Kumar Kondru, R Saranya. Directed Acyclic Graph-based Distributed Ledgers – An Evolutionary Perspective. // International Journal of Engineering and Advanced Technology (IJEAT), ISSN: 2249 – 8958, Volume-9 2019.
4. Satoshi Nakamoto. Bitcoin: A Peer-to-Peer Electronic Cash System. [Электронный ресурс]:URL:https://bitcoin.org/bitcoin.pdf (Обр: 3.03.2020).
5. Ethereum is a global, open-source platform for decentralized applications. [Электронный ресурс] URL:https://ethereum.org (Обращения: 5.03.2020).
6. Nick Szabo. Smart Contracts: Building Blocks for Digital Markets. [Электронный ресурс] URL:http://www.fon.hum.uva.nl/rob/Courses/ InformationInSpeech/CDROM/Literature/LOTwinterschool2006/szabo.best.v wh.net/smart_contracts_2.html (дата обращения: 7.04.2020).
7. Solidity. Language Documentation. [Электронный ресурс] URL:https://solidity.readthedocs.io/en/latest (дата обращения: 7.04.2020).
8. Justin D. Harris, Bo Waggoner. Decentralized & Collaborative AI on Blockchain. // IEEE International Conference on Blockchain, 2019, 368 – 375.
9. Besir Kurtulmus, Kenny Daniel. Trustless Machine Learning Contracts; Evaluating and Exchanging Machine Learning Models on the Ethereum Blockchain [Электронный ресурс]. URL:https://algorithmia.com/research/ ml-models-on-blockchain (дата обращения: 14.05.2020).
10. Ajay Singh. Anomaly detection in the Ethereum network // A thesis for the degree of Master of Technology / Indian Institute of Technology Kanpur, 2019.
11. Chen F., Wan H., Cai H., Cheng G. Machine Learning in/for Blockchain: Future and Challenges // arXiv preprint arXiv:1909.06189, 2019.
12. McMahan H. B., Moore E., Ramage D., Hampson S. Communication-Efficient Learning of Deep Networks from Decentralized Data // arXiv preprint arXiv:1602.05629, 2016.
13. Matthias De Aliaga. Classifying Ethereum users using blockchain data. [Электронный ресурс] URL:https://medium.com/tokenanalyst/classifying- ethereum-users-using-blockchain-data-dd6edb867de3обращения: 8.04.2020).
14. Will Price. Clustering Ethereum Addresses. [Электронный ресурс] URL:https://towardsdatascience.com/clustering-ethereum-addresses- 18aeca61919d (дата обращения: 8.04.2020).
15. Scikit-learn. Cho
Эта первая особенность означает, что каждое дерево строится на основе своего собственного обучения и формируется из основного множества путем возвращения или бутсраппинга (bootsrapping). Первая особенность - это то, как каждый обучающий элемент формирует свое собственное обучение. После выбора размера N формируется новая выборка той же размерности. Каждый элемент этой выборки взят как случайный компонент базовой выкладки. Есть вероятность того, что элемент будет включен в выборку несколько раз или не войдёт вообще. В этом случае можно создать на одной выборке большое число относительно коррелятивных деревьев.
Кроме того, вторая особенность направлена на увеличение разнообразия дерева. На основе базовой схемы для построения классической модели дерева решений каждый узел выбирает признак, наилучшим образом разделяющий данные. На самом деле