?
Прогнозирование энергопотребления на основе автоматического машинного обучения
Автоматизация. Современные технологии. 2020. Т. 74. № август 2020. С. 402–407.
Данилов К. В.
Рассмотрена задача прогнозирования энергопотребления на основе автоматического машинного
обучения. Приведена схема процесса автоматического создания и применения модели прогнозирова-
ния. Предлагаемый подход апробирован на основе данных о потреблении электроэнергии в регионах
России. Проведённый вычислительный эксперимент показал высокую эффективность разработан-
ной модели. Точность прогнозирования составила 97...99 %.
Андросов И. А., Proceedings of the Institute for System Programming of the RAS 2026 Vol. 38 No. 3 P. 87–114
В работе рассматриваются сети эхо-состояний (Echo State Network, ESN), которые являются одними из самых распространенных способов реализации резервуарных вычислений. Они состоят из рекуррентной нейронной сети, веса которой выбираются один раз и не обучаются, и выходного, обычно линейного, обучаемого слоя. Такой подход позволяет создавать энергоэффективные и быстрые нейронные сети, способные обучаться в режиме реального времени. Но ...
Добавлено: 26 мая 2026 г.
В статье рассмотрена задача обучения распознаванию эмоций по фотографиям. Был осуществлен обзор и анализ отечественных и зарубежных работ ученых, занимающихся проблемой эмоционального интеллекта. Рассмотрены его формирование, влияние на деятельность человека и существующие варианты его структуры, а также выделены общие черты в понимании эмоционального интеллекта. Эмоциональный интеллект понимается как система умственных способностей, позволяющая идентифицировать, управлять своими ...
Добавлено: 9 апреля 2026 г.
Пикуль А. С., Безопасность информационных технологий 2024 Т. 31 № 4 С. 116–127
Исследуется возможность применения современных архитектур компьютерного зрения для задачи обнаружения дипфейков. Рассматриваются следующие архитектуры: EfficientNet, Vision Transformer (ViT), VisionLSTM (ViL), VisionKAN и Mamba Vision. Новизна подхода заключается в применении и сравнении работы данных архитектур, а также в их объединении в парные ансамбли для повышения точности детекции дипфейков. В работе проведен эксперимент, основанный на применении нескольких ...
Добавлено: 12 декабря 2025 г.
Саввин Н. В., Васенин Д. Н., Головинский П. А., Системы управления и информационные технологии 2022 С. 92–99
Представлена система имитационного моделирования для прогнозирования потребления электроэнергии кластером зданий на основе поведения потребителей. Модель основана на алгоритмах, моделирующих энергопотребление зданий, и статистических моделях, представляющих поведение пользователей. ...
Добавлено: 23 октября 2025 г.
Саввин Н. В., Научный журнал. Инженерные системы и сооружения 2025 С. 148–154
В работе предложен метод повышения точности прогнозирования временных рядов с использованием векторно-временного кодирования для улучшения LSTM-моделей. Показано, что простая однонаправленная LSTM с правильным кодированием временных признаков может превзойти сложные архитектуры, такие как Bi-LSTM и CNN-LSTM. Подчёркивается важность представления временных данных для эффективности нейросетей. Метод протестирован на задаче краткосрочного прогноза электропотребления (5 минут, горизонт 24 часа). ...
Добавлено: 23 октября 2025 г.
Сурков А. Ю., Захаров В. Ю., Sergei Koltcov и др., , in: Smart Technologies, Systems and Applications: 4th International Conference, SmartTech-IC 2024, Quito, Ecuador, December 2–4, 2024, Revised Selected Papers, Part IIVol. 2: Revised Selected Papers, Part II.: Springer, 2025. P. 239–252.
Добавлено: 11 сентября 2025 г.
Дудников Д. О., Коннов Э. А., Огурцов Н. А., Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика 2025 Т. 2025 № 2 С. 69–75
Представлены современные подходы к автоматизации анализа микроструктуры металлических материалов, направленные на повышение точности и эффективности исследований. Описана разработка программного обеспечения для идентификации и классификации зерен в металлах, что является ключевым аспектом в изучении их структуры и прогнозировании механических свойств. Программа включает модули для частично автоматизированной обработки изображений, анализа характеристик зерен, визуализации результатов и интеграции с ...
Добавлено: 15 мая 2025 г.
Evgeniia I. Alshanskaia, Portnova G., Liaukovich K. и др., Frontiers in Neuroscience 2024 Vol. 18 Article 1445697
Добавлено: 2 сентября 2024 г.
Дьяконов А. Г., Васильев Р. Л., Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика) 2023 Т. 514 № 2 С. 60–71
Представлен обзор методов обучения метрик с помощью глубоких нейронных сетей. Эти методы появились в последние годы, но сравнивались лишь с предшественниками, используя для обучения представлений (на которых вычисляется метрика) нейронные сети устаревших на данный момент архитектур. Проведено сравнение описанных методов на разных датасетах из нескольких доменов, используя предобученные нейронные сети, сопоставимые по качеству с SotA ...
Добавлено: 18 марта 2024 г.
Данилов К. В., Мальцева С. В., Информационные технологии 2021 Т. 27 № 10 С. 550–560
Рассмотрен метод автоматической генерации признакового пространства. Изложен алгоритм работы метода и схема построения модели прогноза. Предлагаемый подход был апробирован на данных о потреблении электроэнергии в регионах России. Результаты проведенных вычислительных экспериментов с применением изложенного метода демонстрируют повышение эффективности разработанной модели и улучшение точности прогнозирования. ...
Добавлено: 3 декабря 2021 г.
Муратова А. А., Митрофанова Е. С., Ислам Р., , in: Intelligent Information and Database Systems: 13th Asian Conference, ACIIDS 2021, Phuket, Thailand, April 7–10, 2021, Proceedings.: Springer, 2021. P. 630–642.
Добавлено: 6 апреля 2021 г.
Sakhnyuk P. A., Sakhnyuk T. I., , in: 1st International Conference on Innovative Informational and Engineering Technologies (IIET-2020) 28-29 May 2020, Stavropol, Russian FederationVol. 873.: Bristol: IOP Publishing, 2020. P. 012016-1–012016-8.
Искусственный интеллект и машинное обучение помогают улучшить качество обслуживания клиентов и изменить методы деятельности компаний. По этой причине предприятиям следует рассмотреть возможность интеграции этих технологий в планы цифровой трансформации, чтобы оставаться конкурентоспособными. Платформы машинного обучения с низким кодом позволяют компаниям и бизнес-профессионалам с минимальным опытом программирования создавать приложения и заполнять пробелы в персонале в своей ...
Добавлено: 26 января 2021 г.
Computational methods to predict Z-DNA regions are in high demand to understand the functional role of Z-DNA. The previous state-of-the-art method Z-Hunt is based on statistical mechanical and energy considerations about B- to Z-DNA transition using sequence information. Z-DNA CHiP-seq experiment results showed little overlap with Z-Hunt predictions implying that sequence information only is not ...
Добавлено: 11 декабря 2020 г.
Сендерович М. А., В кн.: Межвузовская научно-техническая конференция студентов, аспирантов и молодых специалистов им. Е.В. Арменского.: М.: МИЭМ НИУ ВШЭ, 2019. С. 223–224.
Данная работа посвящена актуальной теме автоматизации в машинном обучении на примере создания универсальной рекомендательной системы. В работе исследуются различные типы рекомендательных систем, акцент делается на подходы коллаборативной фильтрации. Изучаются методы автоматизации машинного обучения, на основе которых будет разработана данная рекомендательная система. ...
Добавлено: 31 октября 2020 г.
Лобачева Е. М., Чиркова Н. А., Markovich A. и др., , in: Thirty-Fourth AAAI Conference on Artificial IntelligenceVol. 34.: AAAI Press, 2020. Ch. 5938 P. 4989–4996.
Добавлено: 29 октября 2020 г.
Кураленок И. Е., Ershov V., Лабутин И. Н., , in: Advances in Neural Information Processing Systems 32 (NeurIPS 2019).: [б.и.], 2019. P. 1–10.
Добавлено: 27 декабря 2019 г.
Стебунова О. И., Пивоварова К. В., Интеллект. Инновации. Инвестиции 2018 № 2 С. 59–64
Актуальность исследуемой проблемы обусловлена необходимостью совершенствования подходов и методик оценки кредитоспособности заемщиков в сложившихся экономических и финансовых условиях развития деятельности банковских учреждений. Целью данного исследования является систематизация и сравнительный анализ формализованных методик построения кредитного скоринга. Среди основных алгоритмов и методик авторы выделяют модели дискриминантного анализа, позволяющие осуществить распределение потенциальных заемщиков к той или иной группе ...
Добавлено: 4 ноября 2019 г.
Кодрян М. С., Грачев А. М., Игнатов Д. И. и др., , in: Proceedings of the 4th Workshop on Representation Learning for NLP (RepL4NLP-2019)Issue W19-43.: Association for Computational Linguistics, 2019. P. 40–48.
Добавлено: 1 ноября 2019 г.
Астафьева Е.В., Дробышевский С.М., Идрисов Г.И. и др., М.: Издательство Института Гайдара, 2019.
В настоящее издание вошли три работы ведущих специалистов Института Гайдара, подготовленные по результатам научно-исследовательских работ института в 2018 г. В первой работе предложено развитие методики декомпозиции темпов роста ВВП России. Проведен расчет показателей структурной безработицы и совокупной факторной производительности для российской экономики. В рамках различных сценариев макроэкономической динамики на 2019–2024 гг. получены оценки структурной, внешнеторговой ...
Добавлено: 31 октября 2019 г.
Сулейманова А. Н., Социология: методология, методы, математическое моделирование 2020 Т. 0 № 50-51 С. 63–96
Деревья решений – метод классификации и предсказания, распространенный в прикладных исследованиях в силу простоты применения и интерпретации. Ввиду большого количества самих алгоритмов, разрозненности литературы и программного обеспечения для работы с ними, выбор одного из методов представляет собой непростую задачу. В результате исследователи предпочитают использовать хорошо знакомые и давно использующиеся алгоритмы, несмотря на их явные недостатки. ...
Добавлено: 31 октября 2019 г.
Cham: Springer, 2019.
Добавлено: 17 октября 2019 г.
Добавлено: 12 июня 2019 г.
Лобачева Е. М., Чиркова Н. А., Ветров Д. П., , in: Workshop on Compact Deep Neural Network Representation with Industrial Applications, Thirty-second Conference on Neural Information Processing Systems.: Montréal: [б.и.], 2018. P. 1–6.
Добавлено: 5 декабря 2018 г.