Полное описание
> Болодурина, И. П. Автоматизированное машинное обучение: обзор возможностей современных платформ анализа данных / И. П. Болодурина, Д. И. Парфенов, А. Е. Шухман, Л. С. Забродина. - Текст : непосредственный // Системная инженерия и информационные технологии: СИИТ : научный журнал. - 2021. - Том 3, N 1. - С. 50-57. - Библиогр. в конце ст. - ISSN 2658-5014.
ГРНТИ | УДК | |
28.23 | 004.8 |
Рубрики:
Машинное обучение
Кл.слова (ненормированные): автоматизированное машинное обучение -- анализ данных -- байесовская оптимизация -- интеллектуальные алгоритмы оптимизации -- метаобучение
Аннотация: Методы автоматического машинного обучения (AutoML) играют важнейшую роль в работе с огромным объемом данных и используются практически во всех возможных областях. Использование инструментов AutoML в прикладных задачах анализа данных позволяет извлекать новые знания из исходной информации, выявлять взаимосвязи внутри данных и решать задачи классификации, кластеризации, регрессии, прогнозирования и др. В рамках данной работы проводится обзор существующих подходов и систем построения гибко настраиваемых конвейеров AutoML, использующих интеллектуальные алгоритмы оптимизации структуры и параметров. Для расширения применяемых подходов байесовской оптимизации в рамках реализации процесса автоматического машинного обучения, включен этап метаобучения, а также автоматизированного построения ансамбля для повышения эффективности получаемых результатов. Формализуются этапы процесса оптимизации конвейеров данных и настройки алгоритмов машинного обучения, а также сформулирована постановка задачи оптимизации выбора комбинированного алгоритма и настройки гиперпараметров (CASH). Задача CASH является важнейшим элементом систем AutoML, от методов и алгоритмов решения которой зависит производительность и эффективность конечных моделей обучения. В связи с этим, следующим этапом данного исследования является разработка и модификация подходов к решению данной задачи, а также планируется подобрать наиболее эффективные алгоритмы построения признакового пространства и модифицировать их для повышения производительности и точности обученных моделей.
Доп. точки доступа:
Парфенов, Д.И.
Шухман, А.Е.
Забродина, Л. С.
>
Имеются экземпляры в отделах: всего 2 : ЧЗХР (1), ХРЦ (1)
Свободны: ЧЗХР (1), ХРЦ (1)
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -620026-589223)>
Шифр в сводном ЭК: 5cbd2a4dbd5c0e2f4854979cd4c70502
Заказ фрагмента документа ₽