машинне навчання

Комп’ютерне моделювання логістичної регресії для бінарної класифікації

У цій статті розглянуто практичні аспекти застосування логістичної регресії для бінарної класифікації даних. Логістична регресія визначає імовірність належності об’єкта до одного із двох класів. Ця імовірність обчислюється за допомогою сигмоїдної функції, аргументом якої є лінійна згортка вектора ознак об’єкта із ваговими коефіцієнтами, отриманими у ході мінімізації логарифмічної функції втрат. Прогнозовані мітки класу визначаються порівнянням обчисленої імовірності із заданим пороговим значенням.

Інформаційна система для адаптації методів сегментації дорожніх смуг у системах навігації з метою підвищення точності виявлення дорожніх знаків

У сучасному світі, де швидкість технологічних змін надзвичайно вражає, сфера дорожнього руху не залишається осторонь. Використання сегментації смуг на дорозі стає ключовим елементом не лише для забезпечення безпеки, але й для вдосконалення систем навігації та виявлення дорожніх знаків. Цей підхід відкриває двері до нового рівня ефективності та точності управління дорожнім рухом, сприяючи покращенню якості та безпеки нашого пересування. Давайте зануримося в деталі цього захоплюючого та перспективного напрямку розвитку технологій дорожнього транспорту.

Інтелектуальна система комплексного аналізу військової інформації на основі машинного навчання та NLP для допомоги командирам тактичних ланок

В статті описано результати дослідження процесів комплексного аналізу військової інформації на основі машинного навчання та опрацювання природньої мови для допомоги командирам тактичних ланок. Система повинна дозволяти користувачам мати наступні можливості: об’єднання словника та інформаційного матеріалу, додавання термінів та абревіатур в словник, класифікація об’єктів для радіотехнічної розвідки, візуалізація повітряних об’єктів, класифікація повітряних об’єктів, користування інформаційними матеріалами, організування інформаційних матеріалів.

РОЗУМІННЯ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ: МАЙБУТНЄ ШТУЧНОГО ІНТЕЛЕКТУ

У статті проведено дослідження новітнього напрямку у штучному інтелекті - Великі Мовні Моделі, які відкривають нову еру в обробці природної мови, надаючи можливість створення більш гнучких і адаптивних систем. З їх допомогою досягається високий рівень розуміння контексту, що збагачує досвід користувачів та розширює сфери застосування штучного інтелекту. Великі мовні моделі мають величезний потенціал для переосмислення взаємодії людини з технологіями та зміни уявлення про машинне навчання.

ГІПОТЕЗА ФРАКТАЛЬНОГО РИНКУ ДЛЯ ТОРГІВЛІ ТА ПРОГНОЗУВАННЯ РИНКОВОЇ ЦІНИ

У статті розглядаються основні принципи гіпотези фрактального ринку (ГФР) та її застосування у торгівлі і прогнозуванні ринкової ціни. ГФР пропонує нову перспективу для розуміння ринкових динамік, дозволяє виявляти закономірності, які часто не можуть бути враховані традиційними методами аналізу. Особлива увага приділяється масштабним властивостям ринкових даних, що дозволяє застосовувати моделі прогнозування на різних часових інтервалах, від короткострокових до довгострокових прогнозів.

Application of machine learning algorithms to enhance blockchain network security

This paper embarks on a detailed examination of the inherent security challenges faced by blockchain networks, including fraudulent transactions, double-spending, and 51% attacks, among others.  Using recent advancements in ML, it presents a novel methodology for real-time anomaly detection, predictive threat modeling, and adaptive security protocols that leverage data-driven insights to fortify the blockchain against both known and emerging threats.  By analyzing case studies and empirical data, this study illustrates the effectiveness of ML techniques in enhancing the

Predicting students' academic performance and modeling using data mining techniques

In educational institutions and universities, the issue of study interruptions can be addressed by using e-learning.  As a result, this field has recently attracted a lot of attention.  In this study, we applied four machine-learning methods to predict students' academic progress: logistic regression, decision trees, random forests, and Naive Bayes.  The Open University Learning Analytics Dataset (OULAD), which contains a subset of the OU student data, was the source of the student data for all of these techniques.  There is information regarding the students' VLE inter

Математична модель логістичної регресії для бінарної класифікації. Ч. 2. Процеси підготовки, навчання і тестування даних

У цій статті розглянуто теоретичні аспекти логістичної регресії для бінарної класифікації даних, включаючи процеси підготовки даних, навчання, тестування та показники оцінювання моделей.

Сформульовано вимоги до вхідних наборів даних, описано способи кодування категоріальних даних, визначено та обґрунтовано способи масштабування вхідних ознак.

Математична модель логістичної регресії для бінарної класифікації. Ч. 1. Регресійні моделі узагальнення даних

У цій статті виконано математичне обґрунтування логістичної регресії як ефективного і простого для реалізації методу машинного навчання.

Проведено огляд літературних джерел за напрямком статистичного опрацювання, аналізу та класифікації даних методом логістичної регресії, що підтвердило популярність застосування цього методу у різних предметних областях.