Автор книги "Предварительная оценка прагматической ценности" предлагает метод оценки значения информации в классификации, основанной на глубоких нейронных сетях. Он обращает внимание на актуальность задачи прогнозирования состояния объекта при минимальной настройке параметров в условиях больших объемов и быстроты информации. Эта проблема вызвана расширением использования Интернета вещей и увеличением потоков данных во всех областях деятельности.
В книге Мешалкина предлагается двуступенчатая схема обработки информации, где на первом этапе используется алгоритм случайного леса для оценки важности переменных. Затем наиболее значимые из них используются для обучения рекуррентной нейронной сети, которая выдает окончательный прогноз.
Книга помогает лучше понять процесс оценки важности входных данных и его применение в области глубокого машинного обучения и в системе оценки и управления данными. Она также раскрывает преимущества и ограничения такого подхода, позволяющие оптимизировать количество требуемых параметров, а также рассмотреть основные принципы работы выбранной технологии для широкого круга читателей, интересующихся этой темой.
Предложен метод для предварительной оценки ценности информации с использовании глубоких нейронны сетей в задачах классификации состояний объектов.
Электронная Книга «Предварительная оценка прагматической ценности информации в задаче классификации на основе глубоких нейронных сетей» написана автором В. П. Мешалкин в 2021 году.
Минимальный возраст читателя: 0
Язык: Русский
Серии: Прикладная информатика. Научные статьи
Описание книги от В. П. Мешалкин
Предложен метод предварительной оценки прагматической ценности информации в задаче классификации состояния объекта на основе глубоких рекуррентных сетей долгой краткосрочной памяти. Цель проводимого исследования состояла в разработке метода прогноза состояния контролируемого объекта при минимизации количества используемых прогностических параметров, достигаемой с помощью предварительной оценки прагматической ценности информации. Это особенно актуальная задача в условиях обработки больших данных, характеризуемых не только значительными объемами поступающей информации, но и скоростью ее поступления и полиформатностью. Генерация больших данных сейчас происходит практически во всех сферах деятельности, что обусловлено широким внедрением в них Интернета вещей. Метод реализуется двухуровневой схемой обработки входной информации: на первом уровне применяется алгоритм машинного обучения «случайный лес», который имеет значительно меньшее количество настраиваемых параметров, чем рекуррентная нейронная сеть, используемая на втором уровне для окончательной и более точной классификации состояния контролируемого объекта или процесса. Выбор «случайного леса» обусловлен его способностью к оценке важности переменных в задачах регрессии и классификации. Это используется при определении прагматической ценности входной информации на первом уровне схемы обработки данных. Для этого выбирается параметр, который отражает указанную ценность в каком-либо смысле, и на основе ранжирования входных переменных по уровню важности осуществляется их отбор для формирования обучающих наборов данных для рекуррентной сети. Алгоритм предложенного метода обработки данных с предварительной оценкой прагматической ценности информации реализован в программе на языке MatLAB и показал свою работоспособность в эксперименте на модельных данных.
