Технология для моделирования и анализа систем классификации на основе машинного обучения

1. Введение 4
2. Постановка задачи 6
3. Обзор 8
3.1. Краткий обзор аналогов . . . . . . . . . . . . . . . . . . . 8
3.2. Машинное обучение . . . . . . . . . . . . . . . . . . . . . . 10
3.3. Аппроксимация функции с помощью линейной комбина-
ции известных функций . . . . . . . . . . . . . . . . . . . 11
3.4. Нейронные сети . . . . . . . . . . . . . . . . . . . . . . . . 12
3.5. Кластеризация и классификация . . . . . . . . . . . . . . 13
3.6. Оценка точности кластеризации . . . . . . . . . . . . . . . 14
4. Архитектура системы 17
5. Программная реализация 19
6. Апробация 25
7. Эксперименты 29
7.1. Задача предсказания успешности
применения дефибриллятора . . . . . . . . . . . . . . . . 30
7.2. Задача классификации типов вин . . . . . . . . . . . . . . 31
7.3. Задача кластеризации на изображениях
картинок MNIST . . . . . . . . . . . . . . . . . . . . . . . 33
8. Заключение 35
Список литературы 37
Купить

Сложно переоценить важность обработки и анализа данных в со-
временном мире. В различных областях жизнедеятельности, таких как
медицина, промышленность, энергетика и других накапливается огром-
ное количество данных, зачастую представленных в сложном для об-
работки и анализа человеком формате.
Мотивацией для исследования послужил тот факт, что в настоящее
время растёт интерес научного сообщества и бизнеса к технологиям и
методам машинного обучения и анализа данных. Также, наблюдается
рост количества различных программных реализаций существующих
алгоритмов и подходов.
Но сегодня, чтобы начать решать какую-либо реальную задачу ма-
шинного обучения (Machine Learning, ML), необходимо обладать до-
статочно высокой компетенцией и разбираться не только в матема-
тическом аппарате, но и в соответствующих программных продуктах.
Сейчас набор технологий представлен в виде большого количества раз-
личных продуктов, чаще всего несовместимых между собой, научиться
пользоваться которым в котором достаточно сложно.
На заре бурного развития технологий и методов машинного обу-
чения каждый исследователь самостоятельно разрабатывал себе про-
граммное обеспечение, бравшее на себя рутинные операции по перво-
начальной обработке данных и поиска основной линии (baseline), яв-
ляющаяся в общем смысле отправной точкой при решении задачи ма-
шинного обучения и представляющую собой метод обработки данных.
Основная линия (baseline) даёт приемлемую величину метрики (мера
оценки точности работы алгоритма), которую можно получить за мини-
мальное время и минимальными усилиями. Позже начали появляться
системы - агрегаторы, позволяющие автоматизировать повторяющие-
ся операции. Хотя подобные системы начали появляться сравнительно
недавно, попытки их разработки предпринимались и ранее. Значитель-
ных успехов эти ранние реализации достичь так и не смогли, что можно
объяснить недостаточным на тот момент развитием вычислительных
мощностей и ограниченной доступностью программных продуктов.
Системы-агрегаторы состоят из нескольких компонентов. Архитек-
тура является основой компонентой подобных систем, так как она явля-
ется каркасом, определяющий формальное поведение системы, от неё
зависит какие структуры и паттерны используются для решения задач.
Программная реализация — компонента, которая определяет как
будет работать система, какие нагрузки она должна выдерживать и
какие данные будет обрабатывать. Программной реализацией являет-
ся код, написанный на одном из языков программирования, зачастую
высокоуровневом и объектно-ориентированном.
После того, как разработана архитектура и выполнена программная
реализация, следующим следует апробация и сравнение с конкурентны-
ми аналогами. Каждая такая система уникальна, хотя все они имеют
схожие черты, какие-то обладают неоспоримыми преимуществами пе-
ред другими, какие-то разработаны для решения узкого круга задач.
Тем, как быстро и легко можно с помощью системы получить ре-
шение задачи, определяется конкурентоспособность продукта на рын-
ке. Примеры задач — классификация и кластеризация, которые имеют
важное практическое применение. Например, в медицине актуальной
является задача о предсказании успешности применения дефибрилля-
ции. Дефибрилляция — вид электроимпульсной терапии, проводимой
при нарушениях сердечного ритма, она восстанавливает ритм сердца
путём проведения электрического тока через сердце. Задача о предска-
зании в этом контексте трактуется как задача классификации набора
характеристик, полученных из кардиограммы пациента на два класса
(ROEA — дефибрилляция оказалась успешной и NOROEA — дефибрилляция не помогла).
Подводя итог вышесказанному, можно заключить, что существует потребность рынка в такой системе, и исследование, предложенное в этой работе является актуальным, мотивация для его проведения является обоснованной.
Купить