Дослідження і розробка актуальних прийомів, технологій і методик, що застосовуються при вирішенні прикладних задач машинного навчання з метою інтелектуального аналізу
DOI:
https://doi.org/10.34185/1562-9945-2-127-2020-05Ключові слова:
искусственные нейронные сети, аппроксимация нейронными сетями, нейросетевое моделирование, регрессионный анализ, Data MiningАнотація
Були розглянуті архітектури нейромереж для вирішення завдань апроксимації і регресійного аналізу, застосовні наступні мережі: багатошарові персептрони і мережі радіального базису. Було вироблено дослідження на основі якого було виявлено що при навчанні 3х шарового перцептрону на основі лінійної фунции активації вихідного нейрона і прихованими шарами з гіперболічної функцією активації показав більш оптимальний результат в плані правильності навчання і точності прогнозування.
Посилання
Koroteev, MV A review of some current trends in the technology of machine learning Creative Commons Attribution 4.0. the world. (http://creativecommons.org/licenses/by/4.0/)
Oleynik, A.G. Scheme of operative forecasting of production processes of ore enrichment / AG. Oleynik, L.P. Kovalev // Proceedings of the Kola Scientific Center of the Russian Academy of Sciences. Information technology. - Apatity: Publishing House of the KSC RAS. - 4/2011 (7). -No. 2. - P.211-219.
Chernodub, AN Review of Neuro-management Methods / AN Chernodub, D.A. Beetle // Programming problems. -2011.-№ 2. - P.79 -94.
Kohonen¸ T. Self-organization and associative memory / T. Kohonen // 2d ed. -New-York, Springer-Verlag, 1988. - 312 p.
Grossberg, S. Some networks that can learn, remember and reproduce any number of complicated space-time patterns / S. Grossberg // Journal of Mathematics and Mechanics, 1969. -Vol. 19, No. 1, - P.53-91.
Khokhlova D. (2016). Neural Network Boom: Who Makes Neural Networks, Why They Need It and How Much Money They Can Make, 06/12/2016. Access mode: https://vc.ru/16843-neural-networks (accessed: 06/09/2018).
Molnar C. (2018), “Interpretable machine learning”, available at: https://christophm.github.io/interpretable-ml-book/ (accessed September 6, 2018).
Olson R. (2016), “TPOT: A Python tool for automating data science”, available at: https://www.kdnuggets.com/2016/05/ tpot-python-automating-data-science.html / 2 (accessed September 6, 2018).
Thornton C. et al. (2013), “Auto-WEKA: combined selection and hyperparameter optimization of ACM classification algorithms”, pp. 847–855.
Olson R.S. & Moore J.H. (2016), “TPOT: A tree-based pipeline optimization tool for automating machine learning”, pp. 66–74
Zoph B. & Le Q.V. (2016), “Neural architecture search with reinforcement learning”, available at: https://arxiv.org/ abs / 1611.01578.
Gulakov K.V. The choice of neural network architecture for solving the problems of approximation and regression analysis of experimental data. Bulletin of the Bryansk State Technical University. 2013. No. 2 (38).
