Архив статей журнала
Введение. Методы машинного обучения и элементы искусственного интеллекта используются для анализа случайных данных, процессов и сигналов. Изучение соответствующих инструментов уже входит в учебные программы направлений подготовки разного уровня.
Цель исследования – продемонстрировать на доступных для студентов разных специальностей примерах, что анализ погрешностей методов машинного обучения при решении конкретных задач может являться основой формирования в учебном процессе навыков применения элементов искусственного интеллекта.
Материалы и методы. Для обработки случайных сигналов и данных используется открытое доступное программное обеспечение: Microsoft Excel для подготовки обучающей и тестовой выборки, аналитическая платформа Deductor для реализации алгоритмов машинного обучения. В качестве примера для технических специальностей обрабатываются квазигармонические сигналы со случайными параметрами, а для обработки многомерных случайных данных используются результаты психодиагностики.
Результаты исследования. В качестве характерного решения аппроксимационных технических задач анализируются ошибки использования нейронной сети прямого распространения для определения случайных параметров сигналов. В качестве решения классификационных задач многомерные случайные данные с разной размерностью обрабатывались при помощи нейронных сетей и метода «дерево решений». Проанализированы преимущества комбинированного использования этих двух методов машинного обучения. Приведённые примеры и их анализ апробированы на занятиях со студентами университета в рамках дисциплин «Цифровая обработка сигналов» и «Основы статистики».
Обсуждение и заключения. Обсуждаются статистические особенности полученных результатов, возможности сокращения обучающей выборки и селективного анализа многомерных случайных данных. Показано, что адекватная оценка погрешностей методов машинного обучения позволяет существенно расширить возможности их применения и может являться основой для формирования навыков их использования.