ВИКОРИСТАННЯ МЕТОДІВ АВТОМАТИЧНОГО МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ПРИРОДНИХ ЯВИЩ

Автор(и)

DOI:

https://doi.org/10.32782/IT/2024-2-8

Ключові слова:

Автоматизоване машинне навчання, алгоритми машинного навчання, AutoML, природне явище

Анотація

У статті описані методи автоматичного навчання для прогнозування природних явищ. Автоматизоване машинне навчання, яке також називають автоматизованим ML або AutoML, – це процес автоматизації складних, трудомістких і повторюваних завдань розробки моделей машинного навчання. Методи машинного навчання дозволяють комп’ютерам працювати автономно без явного програмування. Мета роботи полягає в досліджені використання методів автоматичного машиного навчання для прогнозування прородних явищ. Програми машинного навчання отримують нові дані, і вони можуть самостійно навчатися, рости, розвиватися та адаптуватися. Машинне навчання засноване на пошуку складних і неочевидних залежностей в існуючих даних про минулі надзвичайні та ризиковані ситуації. Машинне навчання використовує дані інших землетрусів, стихійних лих або інших різних процесів. Наукова новизна полягає у тому щоб за допомогою машиного навчання спрогнозувати появу стихійного явища. У результаті алгоритм знаходить закономірності, які можуть сигналізувати про наближення катастрофи. За допомогою цього науковці можуть згодом створювати моделі машинного навчання з високою масштабованістю, ефективністю та продуктивністю, зберігаючи при цьому якість моделі. Методолгія базується на алгоритми машинного навчання формуються на основі навчального набору даних для створення моделі. Коли нові вхідні дані вводяться в навчений алгоритм машинного навчання, він використовує розроблену модель для прогнозування. Використання автоматизованого машинного навчання може допомогти ефективно прогнозувати локальні катастрофи та згодом покращити ефективність прогнозування. Алгоритми машинного навчання зазвичай споживають і обробляють дані, щоб вивчати пов’язані шаблони про людей, бізнес-процеси, транзакції, події тощо. Функція системи машинного навчання може бути описовою, тобто система використовує дані, щоб пояснити, що сталося; прогнозний, тобто система використовує дані, щоб передбачити, що станеться; або наказовий, що означає, що система використовуватиме дані, щоб вносити пропозиції щодо того, які дії вжити. Далі ми обговорюємо різні типи даних реального світу, а також деякі категорії алгоритмів машинного навчання. Висновок: як результат цієї статті новий програмний продукт та виконаний аналіз може бути використанним для подальшого інтегрування, аналізу та дослідження.

Посилання

A. Criminisi J. Shotton E. K. Decision forests for classication, regression, density estimation, manifold learning and semi-supervised learning. 2011. Tech. Rep. MSR-TR2011-114: Microsoft Research.

Geurts P., Damien E., Wehenkel L. Extremely randomized trees. Machine Learning. 2006.

Rendle S. Factorization machines with libfm. ACM TIST. 2012.

Hackeling G. Mastering Machine Learning with scikit-learn. Packt Publishing Ltd. 2017.

Pedregosa F. Scikit-learn: Machine learning in Python //Journal of machine learning research. 2011.

Biggio B., Corona I., Maiorca D. Evasion attacks against machine learning at test time. Springer. 2013.

Seyed-Mohsen M.-D., Alhussein F., Pascal F. Deepfool: a simple and accurate method to fool deep neural networks. 2016.

Carlini N., Wagner D. Towards evaluating the robustness of neural networks. 2017.

Nilsson, R., Pena, J.M., Bjorkegren, J., Tegner, J. Consistent feature selection for pattern recognition in polynomial time. 2007.

Arinta, R.R., Andi, E.W.R. Natural disaster application on big data and machine learning: A review. In Proceedings of the 2019 4th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE), Yogyakarta, Indonesia, 20–21 November 2019. Volume 6, pp. 249–254.

Akshya, J., Priyadarsini, P.L.K. A hybrid machine learning approach for classifying aerial images of flood-hit areas. In Proceedings of the 2019 International Conference on Computational Intelligence in Data Science (ICCIDS), Chennai, India, 2019. 21–23.

##submission.downloads##

Опубліковано

2024-07-31