С.В. Прокопчина1, П.Е. Рябов2, Е.Ю. Щетинин3

1–3 Финансовый Университет при Правительстве Российской Федерации (Москва, Россия)

1 svprokopchina@fa.ru, 2 peryabov@fa.ru, 3 eyshchetinin@fa.ru

Постановка проблемы. Машинное обучение является важнейшей составляющей разработки интеллектуальных систем различного назначения. Так, с его помощью предоставляется возможность смысловой интерпретации получаемых решений, управления работой сети, прослеживания и обоснования промежуточных решений, обоснования качества получаемых решений. Перечисленные задачи могут быть успешно решены лишь при создании определенной нейросетевой структуры.

Цель. Повысить эффективность функционирования систем и качества получаемых решений на основе технологии интеграции данных и знаний.

Результаты. Предложен вариант машинного обучения для интеллектуальных систем на основе регуляризирующего байесовского подхода. Рассмотрены режимы обучения при обработке информации в условиях значительной информационной неопределенности. Показано, что для формирования наборов данных используются технологии интеграции данных и знаний.

Практическая значимость. Предложенный инструментарий предполагает автоматизацию некоторых рутинных операций для упрощения обучения моделей машинного обучения.

Прокопчина С.В., Рябов П.Е., Щетинин Е.Ю. Машинное обучение сверточной нейронной сети на основе регуляризирующего байесовского подхода // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 3. С. 36-44. DOI: https://doi.org/10.18127/ j19998554-202403-04

1. Wolf A. The Machine Learning Simplified: A Gentle Introduction to Supervised Learning. Leanpub. 2022. 111 p.
2. Бурков А.А. Машинное обучение без лишних слов. СПб.: Питер. 2020. 192 с.
3. Хамчичев Г.А., Кожомбердиева Г.И. О настройке и возможностях обучения нейро-нечеткой сети на основе байесовской логико-вероятностной модели // Сб. трудов Междунар. конф. по мягким вычислениям и измерениям. 2021. С. 27–35.
4. Kozhomberdieva G.I., Burakov D.P. Combining Bayesian and logical-probabilistic approaches for fuzzy inference systems implementation // Journal of Physics: Conference Series. 2020. V. 1703. P. 012042. DOI 10.1088/1742-6596/1703/1/012042.
5. Прокопчина С.В. Интеллектуальные измерения на основе регуляризирующего байесовского подхода. М.: Научная библиотека. 2021. 499 с.
6. Прокопчина С.В. Методологические основы создания регуляризирующих методов искусственного интеллекта // Мягкие измерения и вычисления. 2023. Т. 68. № 7-1. С. 5–23. DOI 10.36871/2618-9976.2023.07.001.
7. Прокопчина С.В. Основы теории шкалирования в экономике. М.: Научная библиотека. 2021. 299 с.
8. Милов В.Р., Баранов В.Г., Шалюгин С.А. Байесовские методы обучения нейронных сетей // Нейрокомпьютеры: разработка, применение. 2007. № 11. С. 14–19.