Аннотация 2
Abstract 3
Введение 5
Глава 1. Теоретические основы и методы машинного обучения 9
1.1 Машинное обучение. Понятие и сущность 9
1.2 Основные принципы машинного обучения 11
1.3 Машинное обучение в решении практических задач 13
1.4 Типы машинного обучения 15
Глава 2. Выбор и обоснование методов машинного обучения 19
2.1. Анализ достоинств и недостатков существующих методов
машинного обучения 19
2.2. Выбор и обоснование применяемых методов 25
Глава 3. Экспериментальная часть 29
3.1 Выбор среды разработки и языка программирования 29
3.2 Практическая реализация проекта 31
Заключение 41
Список используемой литературы 43
Приложение А исходный код программы 46
Благодаря новым вычислительным технологиям, машинное обучение сегодня не похоже на машинное обучение прошлого. Оно было основано на распознавании образов и теории о том, что компьютеры могут учиться, не будучи запрограммированными на выполнение конкретных задач; исследователи, интересующиеся искусственным интеллектом, хотели посмотреть, могут ли компьютеры учиться на данных. Итеративный аспект машинного обучения важен, потому что, поскольку модели подвергаются воздействию новых данных, они способны самостоятельно адаптироваться. Они извлекают уроки из предыдущих вычислений для получения надежных, воспроизводимых решений и результатов. Это наука, которая не нова, но набрала новый импульс.
Машинное обучение адаптируется в соответствии с использованием необходимых данных для получения опыта. Эти данные могут быть получены в следствии применения методов линейной алгебры, статистики, оптимизации и вычислительных методов компьютерных систем для вывода взаимосвязей и принятия решений. Машинное обучение играет ключевую роль в современных технологиях и предлагает широкий спектр возможностей для автоматизации и оптимизации различных отраслей. Одним из таких примеров является распознавание видео. Системы распознавания видео основаны на анализе и интерпретации визуальных данных, что позволяет компьютерам распознавать и классифицировать объекты, сцены, лица и другие элементы на видеозаписях.
Применение машинного обучения в распознавании видео имеет огромный потенциал и обеспечивает множество преимуществ. Например, в области транспорта машинное обучение может использоваться для автоматического обнаружения и классификации дорожных знаков, пешеходов или определения состояния дорожного покрытия...
В результате выполнения выпускной квалификационной работы было разработано приложение, способное преобразовывать видео с изображением шкалы прибора в значение измеряемой величины. Данное приложение было разработано с использованием языка программирования Python, а программный код был написан в среде разработки PyCharm.
Выполненная выпускная квалификационная работа была сделана с учетом ГОСТ и методических указаний [9], [10], [14].
Использование Python и среды разработки PyCharm обеспечивает гибкость и удобство разработки приложения. Python является мощным языком программирования с богатой экосистемой библиотек, которые предоставляют инструменты для обработки видео и изображений. PyCharm, в свою очередь, предлагает удобную среду разработки с возможностью отладки и автоматического завершения кода, что упрощает процесс создания и сопровождения приложения.
Результаты выполненной работы позволяют сделать вывод о положительном решении задачи по преобразованию видео с изображением шкалы прибора в значение измеряемой величины. Это означает, что приложение успешно выполняет необходимые операции и предоставляет точные результаты.
Рекомендуется применять данную разработку в метрологических центрах с целью автоматизации обработки данных, полученных с измерительных приборов. Приложение может значительно упростить процесс анализа видео с изображением шкалы прибора и позволит получать значения измеряемой величины без необходимости вручную считывать показания. Таким образом, повышается эффективность работы метрологических центров и минимизируется вероятность ошибок при обработке данных.
В целом, разработанное приложение представляет собой ценный инструмент для автоматизации обработки видео с изображением шкалы 41
прибора и может быть успешно применено в различных областях, где требуется точное измерение значений на основе видеоданных. Это приложение открывает новые возможности для улучшения процесса измерений и обработки данных, а также способствует повышению надежности и эффективности работы.
Таким образом, разработанное приложение, созданное с использованием языка программирования Python и среды разработки PyCharm, представляет собой ценный инструмент для автоматизации обработки видео с изображением шкалы прибора. Оно успешно выполняет операции по преобразованию видео в значения измеряемых величин, что значительно упрощает процесс анализа и позволяет получать точные результаты. Рекомендуется применять данную разработку в областях, где требуется надежная и эффективная обработка данных на основе видео.
