Academic literature on the topic 'Задача класифікації'

Розглядаються задачі прогнозування можливості зміни стану об’єкта на основі його оцінки за множиною критеріїв. До таких задач відносять задачі медичного прогнозування, тобто прогнозування можливості виникнення в майбутньому у особи загрозливого для неї стану. Цю задачу можна сформулювати як задачу класифікації, де один з класів відповідатиме великому ступеню ризику виникнення загрозливого стану, а інший – низькому ступеню ризику. В такій інтерпретації задача класифікації може бути розв’язана за допомогою методу послідовного аналізу Вальда, який базується на теоремі Байєса та враховує інформативність ознак, за якими проводиться класифікація. Такий підхід має ряд особливостей, пов’язаних з визначенням порогів та опрацюванням тих значень ознак, які близькі до порогових. В статті показано, що при застосуванні методу Вальда для об’єктів із значеннями ознак, близькими до порогових, можливі випадки отримання протилежних рішень. З метою підвищення ефективності класифікації запропоновано метод нечіткої класифікації. Особливістю розробленого методу є те, що особа, яка приймає рішення, може вказати характер функції належності для визначення близькості заданих значень до порогових і таким чином задати інтервал допустимої зміни порогових значень. Алгоритм обчислює ступені належності заданого об’єкта до кожного з класів. Виконано експериментальну верифікацію розробленого методу для задачі прогнозування невиношування вагітності. На етапі формалізації медичних знань відібрані показники, які можуть бути використані для прогнозування, створена база даних клінічного матеріалу. На модельних прикладах продемонстровано перевагу розробленого методу в порівнянні з методом послідовного аналізу Вальда. Отримані в дослідженні результати можуть використовуватися при побудові прогностичних алгоритмів в медицині.

У статті на основі вивчення публікацій науковців та врахування думок учителів загальноосвітніх навчальних закладів доведено потребу в нових підходах до класифікації експериментальних задач з фізики. Автор відносить до експериментальних задач ті, дані для отримання розв’язання яких беруться з експерименту. Обґрунтовано, що без наведених класифікацій експериментальних задач вчителі дотримуються лише одного підходу, що не сприяє зростанню інтересу учнів до експериментування. Розглянуто чотири класифікації експериментальних задач з фізики: за програмним обсягом; за методами розв’язування; за метою використання; за використанням приладів. Кожна з класифікацій поділяє експериментальні задачі на види. Зокрема, класифікація за програмним обсягом розрізняє задачі двох типів: які торкаються лише однієї програмної теми, які охоплюють кілька програмних тем. Класифікація за методами розв’язання допускає такий поділ експериментальних задач: розв’язання яких потребує одного методу визначення фізичної величини, розв’язання яких допускає використання кількох методів визначення однієї і тієї ж величини. Класифікація задач за метою використання: ті, що слугують закріпленню вивченого матеріалу; ті, що орієнтовані на використання фізичних знань у життєвих ситуаціях. Класифікація за використанням приладів: звичні (розв’язання яких шукають із допомогою конкретних приладів; творчі (для розв’язання яких пропонується підібрати устаткування із наявного); дослідницькі (розв’язання яких потребує врахування всіх можливих факторів визначення фізичної величини). Для кожної класифікації наведено конкретні приклади, які ілюструють їх використання в навчанні фізики. Показано, що запропоновані класифікації експериментальних задач дають змогу вчителеві конструювати нові моделі уроків фізики; з’являється можливість добирати експериментальні задачі, які забезпечать формування в учнів багатоваріантності думки та зростання їхнього інтересу до експериментування. Використовується вся множина методів розв’язування такого роду задач, наближаючи цим учнів до розуміння важливості експериментального методу науки; формується сучасний науковий тип мислення. З’ясовано, що вчителі фізики схвально ставляться до пропонованих класифікацій. На їхню думку, згадані класифікації урізноманітнюють підходи до використання експериментальних задач у навчанні, що суттєво підвищує якість знань учнів з фізики та інтерес до предмета. Автор вважає, що перспективи подальших розвідок щодо використання експериментальних задач у навчанні фізики полягають у створенні збірників задач, що охоплюють пропоновані класифікації.

Вирішується задача класифікації зображень у просторі ознак дескрипторів особливих точок з поданням опису у кластерному виді і використанням статистичних мір для обчислення релевантності описів. Проведено аналіз особливостей застосування статистичного та метричного класифікаторів при визначенні рівня релевантності структурних описів. Виконано порівняння характеристик мір релевантності на розрахункових прикладах. Запропоновано використання розходження Кульбака-Лейблера як універсальної і ефективної міри для задачі класифікації. Підтверджена результативність запропонованого підходу для прикладних баз зображень. Наукова новизна дослідження полягає у розвиненні методу структурного розпізнавання зображень на основі кластерного опису множини дескрипторів особливих точок шляхом застосування апарату статистичних мір для визначення релевантності аналізованих та еталонних даних і побудови класифікаційних висновків у просторі кластер – еталон. Практична значущість роботи – отримання прикладних розрахункових моделей для застосування методів класифікації і підтвердження їх результативності в конкретних прикладах базах зображень.

Вирішена задача структурного розпізнавання візуальних об’єктів на підґрунті описів у вигляді множини ключових точок зображення. Запропоновано метод бінарного аналізу множин дескрипторів опису для формування центрів класів з метою класифікації у межах заданої бази еталонів. Обговорюються критерії оцінювання ефективності класифікації. Проведено програмне моделювання та дослідження методу у порівнянні з медіанними центрами, отримано підтвердження результативності розробленого методу для прикладної бази зображень.

Вирішується задача інваріантного розпізнавання візуальних об’єктів з використанням структурнихметодів на основі описів у вигляді множини особливих точок зображення. Проведено аналіз характеристикта засобів програмного моделювання сучасних методів ORB та BRISK для визначення особливих точок.Запропоновано метод бінарного аналізу для формування центрів класів та подальшої класифікації. Проведено програмне моделювання методу у порівнянні з мережею Кохонена, отримано підтвердження результативності розробленого методу для прикладної бази зображень.

Проблематика. Метод групового урахування аргументів є доволі недооціненим інструментом для отримання високоточних прогностичних моделей. Перший варіант штучної нейронної мережі (які користуються величезною популярністю в світі машинного навчання) був отриманий в 1965 році українським вченим Олексієм Івахненко, який як раз використовував метод групового урахування аргументів для навчання мережі. Відомо, що даний підхід має місце фактично в будь-якій проблематиці, і не виключенням є задача розпізнавання ішемічної хвороби серця по відеоданим спекл-трекінг ехокардіографії. Вирішення подібної задачі є актуальним, оскільки це надасть можливість аналізувати ехокардіограми навіть якщо вони не оснащені технологією спекл-трекінг. Мета. Методом групового урахування аргументів за даними спекл-трекінг ехокардіографії побудувати класифікаційні алгоритми діагностики порушень кінематики скорочень лівого шлуночка серця у хворих на ішемічну хворобу серця в умовах стану спокою, та при застосуванні ехострестесту із добутаміновою пробою. Методика реалізації. Національним інститутом серцево-судинної хірургії імені М.М. Амосова були надані відеодані, отримані за допомогою методу спекл-трекінг ехокардіографії, яким було обстежено 56 пацієнтів з підозрою на ішемічну хворобу серця. Серед них лише у 16 пацієнтів патологію виявлено не було. Ехокардіографія реєструвалась у B-режимі за трьома позиціями: довгої вісі, 4-камерної та 2-камерної позиціях. Усього для дослідження було використано 6245 кадрів відео потоку: 1871 – без порушень серцевої діяльності, та 4374 – при наявності патології під час обстеження. Результати дослідження. Методом групового урахування аргументів було одержано 12 моделей класифікації з урахуванням доз добутаміну (0, 10, 20 і 40 мкг), точність яких на екзаменаційній вибірці варіювалась від 81.7% до 97.4%. Також були отримані 3 моделі класифікації без урахування доз добутаміну, які на екзаменаційній вибірці показали точність в межах 75.2-82.2%. Висновки. Отримані високоточні моделі класифікації методом групового урахування аргументів. Дані моделі можна буде застосувати для аналізу ехокардіограм, отриманих у B-режимі на обладнанні, яке не оснащене технологією спекл-трекінг. Ключові слова: метод групового урахування аргументів; спекл трекінг ехокардіографія; ехострестест з добутаміном; ішемічна хвороба серця.

Досліджено публікації останніх років у галузі інтелектуального аналізу даних навчальних програм. Кількість досліджень у цій галузі зростає, проте здебільшого це однотипні дослідження, що використовують однакові вибірки даних. Розроблено критерії, відповідно до яких було отримано вибірку з публікаціями для проведення аналізу використання методів інтелектуального аналізу даних навчальних програм. Найбільше досліджень у галузі Інтелектуального Аналізу Даних у навчанні стосуються вирішення задачі кластеризації, класифікації та асоціації. Для створення вибірки до уваги обрано дослідження з використанням методів та алгоритмів, що вирішують задачу класифікації. Вибірка статей включає дослідження, що аналізують продуктивність методів класифікації та представляють результати та порівняння показників. За результатом аналізу вибрано алгоритми, що показують найкращі результати продуктивності серед інших алгоритмів з вибірки. Згідно із встановленими критеріями, кожна публікація повинна вирішувати конкретну наукову задачу. У цій галузі методи інтелектуального аналізу даних отримують застосування для вирішення різних прикладних задач у навчальному процесі. Відповідно до контексту та типу прикладної задачі залежить вибір конкретного методу та точність вибраних алгоритмів. Тому категоризація прикладних завдань дає змогу отримувати якісніші підходи до розв'язання наукової задачі. Встановлено категорії проблематики, яких стосуються найбільше наукових досліджень з використанням методів класифікації.

Предметом досліджень статті є моделі ознак розподілів даних дескрипторів ключових точок для вирішення задач розпізнавання та класифікації візуальних об’єктів у системах комп’ютерного зору. Метою є дослідження модифікації методу структурної класифікації на підставі зіставлення розподілів даних для фрагментів дескрипторного опису зображення. Завдання: розроблення математичних та програмних моделей для ефективного за швидкодією обчислення релевантності описів на підставі розподілів даних, вивчення властивостей цих моделей, оцінювання результативності у задачі класифікації зображень. Застосовані методи: детектор ORB для формування дескрипторів ключових точок, статистичний аналіз даних, методи побудови розподілів бітових даних, апарат метричного визначення релевантності, програмне моделювання. Отримані результати. Перехід від опису як множини дескрипторів до розподілів фрагментів, побудова та зіставлення розподілів забезпечують достатню результативність класифікації. Класифікація виконується у кілька разів швидше, ніж при використанні безпосередньо множини дескрипторів. Висновки. Наукова новизна дослідження полягає в удосконаленні методу структурної класифікації зображень на основі впровадження блочної структури опису із використанням значень розподілу для фрагментів множини дескрипторів. Практична значущість – досягнення суттєвого рівня підвищення швидкодії при обчисленні релевантності для класифікації, підтвердження результативності запропонованого простору ознак на прикладах зображень, отримання прикладних програмних моделей для дослідження та впровадження методів класифікації у системах комп’ютерного зору

Метою дослідження є визначення критеріїв універсального інструментарію моделювання складних систем. Задачами дослідження є визначення мір складності для систем різної природи і походження. Об’єктом дослідження є моделювання складних систем. Предмет дослідження: синергетична парадигма складності як інструмент ідентифікації та прогнозування природних і штучних систем. У результаті дослідження проаналізовано сучасні підходи до моделювання складних систем різної природи. Показано, що синергетична парадигма складності надає необхідний набір універсальних інструментів для адекватної ідентифікації і прогнозування основних паттернів як природних, так і штучних систем. Сюди, в першу чергу, відносяться теорія фракталів, нелінійна динаміка, еконофізика, теорія складних мереж. Виділено два класи задач: (1) задачі порівняльної класифікації та (2) моніторингу і попередження критичних і кризових явищ. Перший клас задач зводиться до виділення так званих мір складності системи, за якими можна провести класифікацію систем за складністю. При цьому більш складні системи є більш робастними, стійкими до збурень. Досліджуючи динаміку виділених мір складності та порівнюючи її з динамікою вихідної складної системи, можна будувати індикатори і передвісники критичних та кризових явищ. Висновки. Ефективність запропонованого інструментарію продемонстровано на прикладах статистичних реалізацій складних систем різної природи, представлених у виді часових рядів: фізичних, технічних, фінансових, біомедичних, когнітивних тощо. Результати досліджень рекомендується використовувати для створення систем підтримки прийняття рішень, зокрема для моніторингу та прогнозування небажаних кризових явищ у складних системах.

У статті розглянуто задачу класифікації зображень з тісними міжкласових взаємозв’язками – класифікація архітектурних стилів будівель, де велика кількість основних рис та ознак є спільною для декількох класів. Об’єктом дослідження є алго-ритм навчання нейронної мережі для розпізнавання архітектурних стилів будівель. Запропоновано метод навчання нейронної мережі для класифікації архітектурних стилів будівель за зображеннями будівель, що за меншу кількість часу навчання досягає більшої. Запропонований алгоритм оптимізатору реалізовано програмно і проведено експерименти для порівняння ефективності алгоритму.

Дипломна робота: 122 c., 10 табл., 40 рис., 2 додатка, 24 джерела. Об’єкт дослідження: розпізнавання хвороби Альцгеймера по знімках МРТ. Предмет дослідження: аналіз методів та моделей для вирішення поставленої задачі. Мета дослідження: дослідити існуючі методи розпізнавання та класифікації зображень, розробити власну систему розпізнавання хвороби Альцгеймера по знімках МРТ за допомогою алгоритму, який базується на існуючих підходах до вирішення даного завдання. Використані моделі: у програмній реалізації було використано базові моделі ResNet50, VGG19 та InceptionV3, згортковий автокодувальник та алгоритм KNN. Отриманні результати: побудована система розпізнавання хвороби Альцгеймера, що може відносити знімок МРТ до одного з 3 класів: Normal, OldAge та AD з точністю 88%.
Thesis: 122 p., 10 tabl., 40 fig., 2 appendices, 24 sources. Object of research: recognition of Alzheimer's disease by MRI. Subject of research: analysis of methods and models for solving the problem. The purpose of the study: to study the existing methods of image recognition and classification, to develop our own system of Alzheimer's disease detection by MRI images using an algorithm based on existing approaches to solve our task. Used models: the software implementation used the basic models ResNet50, VGG19 and InceptionV3, convolutional autoencoder and KNN algorithm. Results: built a system for recognizing Alzheimer's disease, which can assign an MRI image to one of 3 classes: Normal, OldAge and AD with accuracy 88%.

Актуальність теми. Оскільки розмір цифрової інформації зростає в геометричній прогресії, потрібно витягувати великі обсяги необроблених даних. На сьогоднішній день існує кілька методів налаштування та обробки даних відповідно до наших потреб. Найбільш поширеним методом є використання інтелектуального аналізу даних (Data Mining). Data Mining застосовується для вилучення неявних, дійсних та потенційно корисних знань із великих обсягів необроблених даних. Видобуті знання повинні бути точними, читабельними та легкими для розуміння. Крім того, процес видобутку даних також називають процесом виявлення знань, який використовувався в більшості нових міждисциплінарних областей, таких як бази даних, статистика штучного інтелекту, візуалізація, паралельні обчислення та інші галузі. Одним із нових і надзвичайно потужних алгоритмів, що використовуються в Data Mining, є еволюційні алгоритми та підходи, що базуються на рії, такі як мурашиний алгоритм та оптимізація рою частинок. В даній роботі запропоновано використати для інтелектуального аналізу даних досить нову ідею алгоритма бджолиного рою для широко розповсюдженої задачі класифікації. Мета роботи: покращення результатів класифікації даних в сенсі в точності і сталості за допомогою алгоритму інтелектуального аналізу даних на основі алгоритму бджолиного рою. Об’єктом дослідження є процес інтелектуального аналізу даних для задачі класифікації. Предметом дослідження є використання алгоритму бджолиного рою для інтелектуального аналізу даних. Методи дослідження. Використовуються методи параметричного дослідження евристичних алгоритмів, а також методи порівняльного аналізу для алгоритмів інтелектуального аналізу даних. Наукова новизна одержаних результатів роботи полягає в тому, що після проведеного аналізу існуючих рішень, запропоновано використати алгоритм бджолиного рою для задачі класифікації, точність і сталість якого перевищує показники існуючих класифікаторів. Практичне значення одержаних результатів полягає в тому, що розроблений алгоритм показує кращі результати в сенсі точності і сталості в порівнянні з іншими алгоритмами інтелектуального аналізу даних. Тобто адаптація бджолиного алгоритму може розглядатися як корисне та точне рішення для такої важливої проблеми, як задача класифікації даних. Апробація роботи. Основні положення й результати роботи були представлені та обговорювались на науковій конференції магістрантів та аспірантів «Прикладна математика та комп’ютинг» ПМК-2019 (Київ, 2019 р.), а також на науковій конференції магістрантів та аспірантів «Прикладна математика та комп’ютинг» ПМК-2020 (Київ, 2020 р.). Структура та обсяг роботи. Магістерська дисертація складається з вступу, чотирьох розділів, висновків та додатків. У вступі надано загальну характеристику роботи, виконано оцінку сучасного стану проблеми, обґрунтовано актуальність напрямку досліджень, сформульовано мету і задачі досліджень, показано наукову новизну отриманих результатів і практичну цінність роботи, наведено відомості про апробацію результатів і їх впровадження. У першому розділі розглянуто алгоритми інтелектуального аналізу даних, які використовуються для задачі класифікації. Обґрунтовано можливість використання евристичних алгоритмів, а саме алгоритму бджолиного рою для цієї задачі. У другому розділі детально розглянуто алгоритм бджолиного рою та принципи його роботи, також описано запропоновану методику його застосування для інтелектуального аналізу даних, а саме для задачі класифікації. У третьому розділі описано розроблений алгоритм та програмний додаток, в якому він реалізований. У четвертому розділі приведена оцінка ефективності запропонованого алгоритм, на основі тестування алгоритму, а також порівняльного аналізу між розробленим алгоритмом та вже існуючими. У висновках представлені результати магістерської дисертації. Робота виконана на 81 аркуші, містить посилання на список використаних літературних джерел з 18 найменувань. У роботі наведено 38 рисунків та 5 додатків.
Actuality of theme. As the size of digital information grows exponentially, large amounts of raw data need to be extracted. To date, there are several methods to customize and process data according to our needs. The most common method is to use Data Mining. Data Mining is used to extract implicit, valid and potentially useful knowledge from large amounts of raw data. The knowledge gained must be accurate, readable and easy to understand. In addition, the data mining process is also called the knowledge discovery process, which has been used in most new interdisciplinary fields, such as databases, artificial intelligence statistics, visualization, parallel computing, and other fields. One of the new and extremely powerful algorithms used in Data Mining is evolutionary algorithms and swarm-based approaches, such as the ant algorithm and particle swarm optimization. In this paper, it is proposed to use a fairly new idea of the swarm of bee swarm algorithm for data mining for a widespread classification problem. Purpose: to develop an algorithm for data mining for the classification problem based on the swarm of bee swarms, which exceeds other common classifiers in terms of accuracy of results and consistency. The object of research is the process of data mining for the classification problem. The subject of the study is the use of a swarm of bee swarms for data mining. Research methods. Methods of parametric research of heuristic algorithms, and also methods of the comparative analysis for algorithms of data mining are used. The scientific novelty of the work is as follows: 1. As a result of the analysis of existing solutions for the classification problem, it is decided to use such metaheuristics as the swarm of bee swarm. 2. The implementation of the bee algorithm for data mining is proposed. The practical value of the results obtained in this work is that the developed algorithm can be used as a classifier for data mining. In addition, the proposed adaptation of the bee algorithm can be considered as a useful and accurate solution to such an important problem as the problem of data classification. Approbation of work. The main provisions and results of the work were presented and discussed at the scientific conference of undergraduates and graduate students "Applied Mathematics and Computing" PMK-2019 (Kyiv, 2019), as well as at the scientific conference of undergraduates and graduate students "Applied Mathematics and Computing" PMK-2020 (Kyiv, 2020). Structure and scope of work. The master's dissertation consists of an introduction, four chapters, conclusions and appendices. The introduction provides a general description of the work, assesses the current state of the problem, substantiates the relevance of research, formulates the purpose and objectives of research, shows the scientific novelty of the results and the practical value of the work, provides information on testing and implementation. The first section discusses the data mining algorithms used for the classification problem. The possibility of using heuristic algorithms, namely the bee swarm algorithm for this problem, is substantiated. The second section discusses in detail the algorithm of the bee swarm and the principles of its operation, also describes the proposed method of its application for data mining, namely for the classification problem. The third section describes the developed algorithm and the software application in which it is implemented. In the fourth section the estimation of efficiency of the offered algorithm, on the basis of testing of algorithm, and also the comparative analysis between the developed algorithm and already different is resulted. The conclusions present the results of the master's dissertation. The work is performed on 89 sheets, contains a link to the list of used literature sources with 18 titles. The paper presents 38 figures and 2 appendices.

Для побудови моделей на основі методу класифікації застосовано програмну систему Data Mining бібліотеки Xelopes. Розв’язано дві задачі класифікації. Виконано застосування моделі для нових даних. Показано, що система зручна, її можна використовувати для навчання студентів технологіям Data Mining, а також для розв’язання задач класифікації, які виникають в економіці.
To build a model based on the method of classification used software system Data Mining Library Xelopes. Solved two problems of classification. Completed application model for the new data. It is shown that the system is easy, it can be used to teach students techniques Data Mining, as well as for solving classification problems arising in the economy.

У тезах розглянуто тлумачення компетентнісних задач, компетентнісних задач з математики та запропоновано трактування компетентнісних математичних задач. Наведено класифікацію компетентнісних математичних задач для майбутніх економістів.

Стаття присвячена методичним умовам формування елементів методологічних знань старшокласників з біології, таких як знання про закон Харді-Вайнберга та умови його достовірності. Проаналізовано такі умови як розуміння учнями сутності методологічної категорії «закон»; поступове ускладнення змісту задач (відомого та шуканого); формулювання умови задачі, що передбачає обов’язкову актуалізацію знань про закон, умови його достовірності, математичні формули його вираження. Автором розроблена класифікація навчальних задач з генетики популяцій для курсу біології старшої школи. В процесі їх розв’язування у школярів теоретичні уявлення трансформуються у практичні вміння аналізу генетичної структури як ідеальних популяцій, так і таких, для яких умови достовірності не дотримано.

Головною ідеєю роботи є виявлення можливості досягти якщо не квантового панування, то хоча б квантової переваги при розв’язанні задач машинного навчання на квантовому комп’ютері. Проаналізовано підходи до визначення квантового машинного навчання, інженерії квантового програмного забезпечення. Виділено основні класи засобів інженерії квантового програмного забезпечення. У результаті проведеного аналізу було визначено, щосаме квантово покращене машинне навчання – застосування квантових моделей навчання для аналізу традиційних (не квантових) даних – є перспективним напрямом розвитку машинного навчання, реалізація якого в поточній версії бібліотеки квантових алгоритмів Qiskit Aqua 0.7.3 є обмеженою розв’язанням задач класифікації з використанням квантового методу опорних векторів та варіаційного квантового класифікатору.

На прикладі Machine learning розглядається проблема сучасної інформатичної термінології. Розкриваються можливості використання електронних таблиць для уведення основ Machine learning у середній школі. Наведено окремі елементи методики використання електронних таблиць для розв’язання задачі класифікації образів.

У статті запропоновано класифікацію біологічних фактів, що засвоюються засобами шкільної біології, зокрема при вивченні біології людини. Пізнавальні задачі є одним із ефективних методичних прийомів представлення інформації щодо біологічних фактів з метою їх подальшого аналізу учнями.