350 руб
Журнал «Нанотехнологии: разработка, применение - XXI век» №4 за 2020 г.
Статья в номере:
Обзор интеллектуальных методов управления инновационными научно-техническими проектами
DOI: 10.18127/j22250980-202004-01
УДК: 334.78
Ключевые слова: Машинное обучение обучение с подкреплением обучение без учителя обучение с учителем нейронная сеть классификация регрессия поиск аномалий кластеризация
Авторы:

Е.Н. Горлачева¹, Н.П. Гончарова²

1,2 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия),  1 gorlacheva@yandex.ru, 2 nataly.gonn79@gmail.com

Аннотация:

Постановка проблемы. Принятие управленческих решений сопряжено с высоким уровнем неопределенности, связанной с наличием большого объема некачественной информации. Упростить принятие управленческих решений на основе такой информации можно с помощью методов машинного обучения, которые позволяют быстро и с наименьшими издержками обработать информацию, представив ее лицу, принимающему решение, в удобной форме.

Цель работы – анализ задачи машинного обучения и адаптация их для решения задач в рамках процессов управления проектами.

Результаты. Проанализированы три типа задач машинного обучения: обучение с учителем, обучение без учителя, обучение с подкреплением. Выявлены алгоритмы, способствующие принятию управленческих решений на различных этапах управления проектами. В качестве примера решается управленческая задача в рамках процесса управления изменениями.

Практическая значимость. На основе выбранного метода машинного обучения для процесса управления изменениями была решена задача мониторинга изменения текущих издержек проекта; на основе полученных данных принято управленческое решение. 

Страницы: 5-19
Список источников
  1. Беликова К. Обучение нейросети с учителем, без учителя, с подкреплением — в чем отличие - Какой алгоритм лучше - [Электронный ресурс] Режим доступа: https://neurohive.io/ru/osnovy-data-science/obuchenie-s-uchitelem-bez-uchitelja-spodkrepleniem/ (дата обращения 11.09.2020).
  2. Ветров Д.П., Кропотов Д.А. Лекция 1. Различные задачи машинного обучения // МГУ, ВМиК, каф. ММП Спецкурс «Байесовские методы машинного обучения».
  3. Галимов Р.Г. Основы алгоритмов машинного обучения – обучение с учителем // Аллея Науки. 2017. № 14. С. 810–817.
  4. Гудфеллоу И., Бенгио Й., Курвилл А. Deep Learning an MIT press book. [Электронный ресурс]. Режим доступа: https:// deeplearningbook.org (дата обращения 23.09.2020).
  5. Горлачева Е.Н., Очиченко Н.П. Анализ современных методов прогнозирования на примере индекса промышленного производства // Нелинейный мир. 2020. Т. 18. № 2. С. 42–52.
  6. Донской В.И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор. Симферополь: ДИАЙПИ. 2014.
  7. Дьяконов А. Поиск аномалий [Электронный ресурс] Режим доступа: https://dyakonov.org/2017/04/19/%D0%BF%D0%BE%D0% B8%D1%81%D0%BA-%D0%B0%D0%BD%D0%BE%D0%BC%D0%B0%D0%BB%D0%B8%D0%B9-anomaly-detection/ (дата обращения 10.10.2020).
  8. Килин Г.А., Ждановский Е.О. Преимущества использования обучения с подкреплением для обучения нейронных сетей // Автоматизированные системы управления и информационные технологии. 2018. Т. 1. С. 152–158.
  9. Лью Т. Learning to Rank for Information Retrieval. Foundations and Trends in Information Retrieval. 2009.V. 3. № 3. P. 225–331.  
  10. Малахова О.В. Сущность информационного обеспечения и его роль в инновационной деятельности // Транспортное дело России. 2013. № 5(108). С 24–29.
  11. Романюк А.В. Неопределенность в предпринимательской деятельности // Горный информационно-аналитический бюллетень (научно-технический журнал) 2007. № 9. С 80–86.
  12. Садовников П. Интересные алгоритмы кластеризации, часть первая: Affinity propagation [Электронный ресурс] Режим доступа: https://habr.com/ru/post/321216/ (дата обращения 10.10.2020).
  13. Bannat A. Artificial Cognition in Production Systems. IEEE Transactions on automation science and engineering. 2011. V. 8. № 1, P. 148–174.
  14. Хоббс Л., Хилсон С., Лоуенд Ш. Oracle9iR2. Разработка и эксплуатация хранилищ данных. М.: Кудиц-образ., 2004. , Портал знаний [Электронный ресурс] Режим доступа: http://statistica.ru/ (дата обращения: 3.10.2020).
  15. Чаткин В.В. Различия между искусственным интеллектом, машинным обучением и глубоким обучением // Конкурентоспособность территорий. 2019. № 3. С. 185–186.
  16. Эриксон Г., Фрэнкс Л., Рорер Б. Как выбирать алгоритмы для машинного обучения Microsoft Azure [Электронный ресурс] Режим доступа: https://habr.com/ru/company/microsoft/blog/317512/ (дата обращения 5.10.2020).
  17. Горлачева Е.Н. Управление знаниями // Повышение надежности ГИС и МИС СВЧ: Монография / Под ред. В.Н. Вьюгинова, А.Г. Гудкова, В.В. Попова. Кн. 3. М.: Авантест. 2016. С. 230–248.
  18. Обучение с подкреплением в машинном обучении [Электронный ресурс] Режим доступа: https://evergreens.com.ua/ru/ articles/reinforcement-learning.html (дата обращения 10.10.2020).
  19. Приказ Госкомвуза РФ от 15.09.1994 N 929 «Об утверждении порядка формирования, финансирования и выполнения инновационных научно-технических программ и проектов» [Электронный ресурс] Режим доступа: http://www.consultant.ru/ cons/cgi/online.cgi-req=doc&base=EXP&n=507996#031932508714757657 (дата обращения 10.10.2020).
  20. Фрэнкс Л. Popular Machine Learning Data [Электронный ресурс] Режим доступа: https://github.com/FranksMachine/PopularMLData (дата обращения 04.10.2020).
Дата поступления: 2.10.2020 г.