Анализ данных

Математический анализ

Машинное обучение

35 страниц

7 месяцев назад

68 просмотров

Анализ алгоритмов машинного обучения и их эффективности

Содержание

Глава 1: Введение в машинное обучение
1.1 Определение машинного обучения
1.2 История развития машинного обучения
1.3 Применение машинного обучения
Глава 2: Основные алгоритмы машинного обучения
2.1 Алгоритмы классификации
2.2 Алгоритмы регрессии

2.3 Алгоритмы кластеризации

Глава 3: Оценка эффективности алгоритмов

3.1 Метрики оценки качества

3.2 Кросс-валидация

3.3 Сравнение алгоритмов

Введение

В последнее десятилетие наблюдается значительный рост интереса к технологиям машинного обучения (ММ), которые играют ключевую роль в различных областях знаний и приложениях, от медицины до финансов и искусственного интеллекта. Машинное обучение позволяет создавать модели, способные самостоятельно обучаться и улучшаться на основе накапливаемых данных, что делает его неотъемлемой частью современного анализа данных и принятия решений. Однако, как и в любой другой области, методы машинного обучения требуют тщательного анализа, как с точки зрения их теоретической основы, так и практического применения. В данном исследовании будет проведен анализ различных алгоритмов машинного обучения, основное внимание будет уделено их эффективности, преимуществам и недостаткам. Цель работы – выявить наиболее эффективные алгоритмы для определенных типов задач и оценить их вклад в достижения в области аналитики и предсказаний. В ходе работы будут рассмотрены как классические, так и современные подходы к обучению моделей, такие как линейные регрессии, деревья решений, нейронные сети и алгоритмы ансамблей. Результаты анализа помогут глубже понять, какие алгоритмы наиболее эффективны в разных сценариях, а также обосновать выбор конкретного метода в зависимости от задач, стоящих перед аналитикой.

Актуальность темыС развитием технологий и увеличением объема данных, с которыми работают компании и организации, возрастает необходимость в эффективных алгоритмах машинного обучения. Эти алгоритмы позволяют обрабатывать и анализировать большие объемы информации, извлекая из них полезные знания и паттерны. В связи с этим, актуальность анализа алгоритмов машинного обучения никогда не была так высока.
ПроблематикаСовременные алгоритмы машинного обучения обладают разнообразием подходов, методов и техник, что усложняет выбор подходящего решения для конкретной задачи. Необходимо определить, какие из них наиболее эффективны в конкретных условиях, а также какие факторы влияют на их производительность.
Цели и задачиЦель данной работы заключается в проведении всестороннего анализа популярных алгоритмов машинного обучения и оценке их эффективности. Задачи работы включают: 1) описание основных алгоритмов; 2) анализ их преимуществ и недостатков; 3) сравнительный анализ эффективности; 4) практическое применение алгоритмов.

Список источников

1. Боброва Мария Витальевна, Мастилин Александр Евгеньевич. МАШИННОЕ ОБУЧЕНИЕ В КИБЕРБЕЗОПАСНОСТИ // Научные междисциплинарные исследования. 2021. URL: https://cyberleninka.ru/article/n/mashinnoe-obuchenie-v-kiberbezopasnosti (дата обращения: 25.02.2026).

2. Черемисин Д. Г., Мкртчян В. Р.. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ // Символ науки. 2023. URL: https://cyberleninka.ru/article/n/metody-mashinnogo-obucheniya (дата обращения: 25.02.2026).

3. Аксентов В. А.. ВАЖНОСТЬ МАШИННОГО ОБУЧЕНИЯ В ИТ СФЕРЕ // Вестник науки. 2023. URL: https://cyberleninka.ru/article/n/vazhnost-mashinnogo-obucheniya-v-it-sfere (дата обращения: 25.02.2026).

4. Матвеев А. Н.. ИНСТРУМЕНТЫ ПОСТРОЕНИЯ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ // E-Scio. 2023. URL: https://cyberleninka.ru/article/n/instrumenty-postroeniya-modeley-mashinnogo-obucheniya (дата обращения: 25.02.2026).

5. Полетаева Наталья Григорьевна. Классификация систем машинного обучения // Вестник Балтийского федерального университета им. И. Канта. Серия: Физико-математические и технические науки. 2020. URL: https://cyberleninka.ru/article/n/klassifikatsiya-sistem-mashinnogo-obucheniya (дата обращения: 25.02.2026).

6. Наумов Виктор Борисович, Тытюк Екатерина Владимировна. Правовые проблемы машинного обучения // Образование и право. 2020. URL: https://cyberleninka.ru/article/n/pravovye-problemy-mashinnogo-obucheniya (дата обращения: 25.02.2026).

7. Якимов М. Е.. МАШИННОЕ ОБУЧЕНИЕ В БАНКОВСКОЙ СФЕРЕ // Экономика и социум. 2022. URL: https://cyberleninka.ru/article/n/mashinnoe-obuchenie-v-bankovskoy-sfere (дата обращения: 25.02.2026).

8. И. Н. Карцан, С. А. Нуриев. Машинное обучение в бизнес-аналитике // Информатика. Экономика. Управление / Informatics. Economics. Management. 2024. URL: https://cyberleninka.ru/article/n/mashinnoe-obuchenie-v-biznes-analitike (дата обращения: 25.02.2026).

9. Арьков В. Ю., Шарипова А. М., Куликов Г. Г.. ОЦЕНИВАНИЕ НЕОПРЕДЕЛЁННОСТИ В МАШИННОМ ОБУЧЕНИИ // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2023. URL: https://cyberleninka.ru/article/n/otsenivanie-neopredelyonnosti-v-mashinnom-obuchenii (дата обращения: 25.02.2026).

10. Кондратов Д. В., Володин Д. Н.. МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ // Математическое моделирование, компьютерный и натурный эксперимент в естественных науках. 2023. URL: https://cyberleninka.ru/article/n/matematicheskoe-modelirovanie-algoritmov-mashinnogo-obucheniya (дата обращения: 25.02.2026).

11. Астраханцева Ирина Александровна, Герасимов Александр Сергеевич, Астраханцев Роман Геннадьевич. ПРОГНОЗИРОВАНИЕ РЕГИОНАЛЬНОЙ ИНФЛЯЦИИ С ПОМОЩЬЮ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2022. URL: https://cyberleninka.ru/article/n/prognozirovanie-regionalnoy-inflyatsii-s-pomoschyu-algoritmov-mashinnogo-obucheniya (дата обращения: 25.02.2026).

12. Сааков Д. В.. УЛУЧШЕНИЕ ПРОИЗВОДИТЕЛЬНОСТИ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ С НЕСБАЛАНСИРОВАННЫМИ ДАННЫМИ // Экономика строительства. 2023. URL: https://cyberleninka.ru/article/n/uluchshenie-proizvoditelnosti-algoritmov-mashinnogo-obucheniya-s-nesbalansirovannymi-dannymi (дата обращения: 25.02.2026).

13. Коваленко Анна Владимировна, Шарпан Мария Владимировна, Теунаев Дагир Мазанович, Тен Владислав Сергеевич. РЕЙТИНГ КРЕДИТОСПОСОБНОСТИ СУБЪЕКТОВ РФ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2020. URL: https://cyberleninka.ru/article/n/reyting-kreditosposobnosti-subektov-rf-s-ispolzovaniem-algoritmov-mashinnogo-obucheniya (дата обращения: 25.02.2026).

14. Шарипов Ринат Раилевич. Оценка эффективности алгоритмов машинного обучения в коммерческих продуктах ИИ // Инновации и инвестиции. 2024. URL: https://cyberleninka.ru/article/n/otsenka-effektivnosti-algoritmov-mashinnogo-obucheniya-v-kommercheskih-produktah-ii (дата обращения: 25.02.2026).

15. Графеева Наталья Генриховна, Назаров Артем Александрович. РЕАЛИЗАЦИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ СРЕДСТВАМИ РЕЛЯЦИОННЫХ СУБД // Компьютерные инструменты в образовании. 2024. URL: https://cyberleninka.ru/article/n/realizatsiya-algoritmov-mashinnogo-obucheniya-sredstvami-relyatsionnyh-subd (дата обращения: 25.02.2026).

16. Ю. С. Лизнева. ОПРЕДЕЛЕНИЕ МЕСТОПОЛОЖЕНИЯ АБОНЕНТА С ПОМОЩЬЮ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ // Экономика и качество систем связи. 2025. URL: https://cyberleninka.ru/article/n/opredelenie-mestopolozheniya-abonenta-s-pomoschyu-algoritmov-mashinnogo-obucheniya (дата обращения: 25.02.2026).

17. Рафикова Ксения Фуатовна. Прогнозирование социальных изменений с помощью алгоритмов машинного обучения // Теория и практика общественного развития. 2024. URL: https://cyberleninka.ru/article/n/prognozirovanie-sotsialnyh-izmenenii-s-pomoschyu-algoritmov-mashinnogo-obucheniya (дата обращения: 25.02.2026).

18. Деева О. К., Чосич М., Колесникова М. А., Стрельцова О. И.. Классификация клеток гиппокампа с помощью алгоритмов машинного обучения // Системный анализ в науке и образовании. 2024. URL: https://cyberleninka.ru/article/n/klassifikatsiya-kletok-gippokampa-s-pomoschyu-algoritmov-mashinnogo-obucheniya (дата обращения: 25.02.2026).

19. И.С. Стешин,И. В. Петухов. Машинное обучение без учителя на основе вегетационных индексов и спектров отражения в задаче классификации деревьев // Известия СПбЛТА. 2025. URL: https://izvestiya-lta.spbftu.ru/jour/article/view/594/456 (дата обращения: 25.02.2026). DOI: 10.21266/2079-4304.2025.255.89-102

20. Йўлдошева Наима Қудратовна,Харибова Елена Александровна,Уринов Мусо Болтаевич. МАШИННОЕ ОБУЧЕНИЕ В ОЦЕНКЕ РИСКА РАЗВИТИЯ ПОСТТРАВМАТИЧЕСКОЙ ГИДРОЦЕФАЛИИ ПО ДАННЫМ РАННЕЙ КТ-МОРФОМЕТРИИ // World Scientific Research Journal. 2025. URL: https://openresearch-hub.com/index.php/wsrj/article/view/877 (дата обращения: 25.02.2026). DOI: 10.64941/rf9b7817

21. Алла Зинич,В.М. Помогаев,Павел Игоревич Ревякин. Базовые алгоритмы машинного обучения в системе повышения эффективности аграрного сектора // Russian Journal of Innovation Economics. 2025. URL: https://1economic.ru/lib/123753 (дата обращения: 25.02.2026). DOI: 10.18334/vinec.15.4.123753

22. Ж.С. Жукова,А.А. Тимофеев-Каракозов. Геотермические взаимодействия на метеостанции Восток: базовые алгоритмы машинного обучения и температурное прогнозирование // ТЕНДЕНЦИИ РАЗВИТИЯ НАУКИ И ОБРАЗОВАНИЯ. 2024. URL: https://doicode.ru/doifile/lj/105/trnio-01-2024-689.pdf (дата обращения: 25.02.2026). DOI: 10.18411/trnio-01-2024-689

23. Андрей Александрович Чусов,В. В. Мануковский,М.С. Лычев. О влиянии локальности данных на оперативность и энергоэффективность алгоритмов цифровой свёрточной обработки сигналов и данных // MORSKIE INTELLEKTUAL`NYE TEHNOLOGII. 2025. URL: https://morintex.ru/wp-content/files_mf/1766827309%D0%9C%D0%98%D0%A2%D0%A2412025%D0%90%D0%98%D0%A4%D0%98%D0%9D%D0%98%D0%A8.pdf#page=264 (дата обращения: 25.02.2026). DOI: 10.37220/mit.2025.70.4.054

24. Данила Александрович Баранов. Исследование эффективности эволюционных алгоритмов в задачах дискретной оптимизации высокой размерности // МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. 2025. URL: https://moitvivt.ru/ru/journal/pdf?id=2042 (дата обращения: 25.02.2026). DOI: 10.26102/2310-6018%2F2025.50.3.048

25. Людмила Александровна Грицай. Возможности искусственного интеллекта для создания образовательных ресурсов в предметной области «Педагогика»: приоритеты и риски // Pedagogical Perspective. 2024. URL: https://journal-iro23.ru/ru/%d0%b2%d1%81%d0%b5-%d0%b2%d1%8b%d0%bf%d1%83%d1%81%d0%ba%d0%b8/%d0%bf%d0%b5%d0%b4%d0%b0%d0%b3%d0%be%d0%b3%d0%b8%d1%87%d0%b5%d1%81%d0%ba%d0%b0%d1%8f-%d0%bf%d0%b5%d1%80%d1%81%d0%bf%d0%b5%d0%ba%d1%82%d0%b8%d0%b2%d0%b0-2024-%e2%84%96-3/%d0%b8%d1%81%d0%ba%d1%83%d1%81%d1%81%d1%82%d0%b2%d0%b5%d0%bd%d0%bd%d1%8b%d0%b9-%d0%b8%d0%bd%d1%82%d0%b5%d0%bb%d0%bb%d0%b5%d0%ba%d1%82-%d0%bf%d0%b5%d0%b4%d0%b0%d0%b3%d0%be%d0%b3%d0%b8%d0%ba%d0%b0/ (дата обращения: 25.02.2026). DOI: 10.55523/27822559_2024_3%2815%29_87

26. Г. В. Агафонова. АДАПТИВНЫЕ БИЗНЕС-МОДЕЛИ УПРАВЛЕНИЯ ЦИФРОВОЙ ТРАНСФОРМАЦИЕЙ В МАЛОМ ПРЕДПРИНИМАТЕЛЬСТВЕ // Прогрессивная экономика. 2025. URL: https://progressive-economy.ru/vypusk_1/adaptivnye-biznes-modeli-upravleniya-czifrovoj-transformacziej-v-malom-predprinimatelstve/ (дата обращения: 25.02.2026). DOI: 10.54861/27131211_2025_4_279

27. Екатерина Александровна Энгель,Никита Евгеньевич Энгель. Методы машинного обучения для задач прогнозирования и максимизации выработки электроэнергии солнечной электростанции // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2023. URL: https://journals.vsu.ru/sait/article/view/11426 (дата обращения: 25.02.2026). DOI: 10.17308/sait%2F1995-5499%2F2023%2F2%2F146-170

28. И.П. Вататинский. Анализ устойчивости экономических сетей через графовые модели и методы машинного обучения в условиях цифровой трансформации // Academic Research Journal. 2023. URL: https://aereview.ru/index.php/ae/article/view/26 (дата обращения: 25.02.2026). DOI: 10.25726/h5908-7830-1701-q

Еще 18 источников

Предпросмотр документа

Наименование образовательного учреждения

курсовая работа на тему

Анализ алгоритмов машинного обучения и их эффективности

Выполнил: ФИО

Руководитель: ФИО

2025