МЕТОДЫ НЕЙРОННЫХ СЕТЕЙ И ГЛУБОКОГО ОБУЧЕНИЯ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АГЕНТА 

Амандос Дабысович Тулегулов, кандидат физико-математических наук, доцент, заведующий кафедрой авиационной техники и технологий, Академия гражданской авиации (Казахстан, г. Алматы, ул. Ахметова, 44), E-mail: tad62@yandex.kz
Дастан Сырымович Ергалиев, PhD, доцент, профессор кафедры авиационной техники и технологий, Академия гражданской авиации (Казахстан, г. Алматы, ул. Ахметова, 44), E-mail: DES-67@yandex.kz
Бакытгуль Сагимжановна Бейсембаева, старший преподаватель кафедры авиационной техники и технологий, Академия гражданской авиации (Казахстан, г. Алматы, ул. Ахметова, 44), E-mail: tad62@yandex.kz
Каршыга Максутович Акишев, старший преподаватель кафедры информационных технологий, Казахский университет технологии и бизнеса (Казахстан, г. Нур-Султан, ул. Кайым Мухамедханова, 37А), E-mail: tad62@ya.ru 

004.838.2 

DOI

10.21685/2307-4205-2021-3-3 

Актуальность и цели. Новые задачи, возникающие практически ежедневно, приводят к появлению новых направлений машинного обучения. Приведены результаты исследования основных видов машинного обучения по признаку наличия и сложности данных. Материалы и методы. Основным методом исследования является метод подбора. Под каждую конкретную задачу подбирается свой алгоритм, так как от него зависит скорость и точность результата обработки исходных данных. Рассматриваются методы машинного обучения. В частности, анализируется вариант на основе обучения интеллектуального агента, который действует во внешней среде и называется обучением с подкреплением. Обучение с подкреплением (англ. reinforcement learning) – способ машинного обучения, при котором система обучается, взаимодействуя с некоторой средой. Результаты. Как результат проведенных исследований, можно отметить тот факт, что в обучении с подкреплением агент взаимодействует с окружающей средой, предпринимая действия и получая награду за эти действия. Выводы. Таким образом можно утверждать, что на данный момент классические методы машинного обучения для цифровых технологий охватывают широкий спектр приложений от различных потребителей. Новые задачи, возникающие практически ежедневно, приводят к появлению новых направлений машинного обучения. 

Ключевые слова

алгоритм, искусственный интеллект, машинное обучение, data mining, методы 

 Скачать статью в формате PDF

1. Вирт Н. Алгоритмы и структуры данных. Новая версия для Оберона + CD / пер. с англ. Ф. В. Ткачева. М. : ДМК Пресс, 2010. 272 с.
2. Ясницкий Л. Н. Искусственный интеллект. Элективный курс : учеб. пособие. М. : БИНОМ. Лаборатория знаний, 2012. 197 с.
3. Люгер Д. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем : пер. с англ. 4-е изд. М. : Вильямс, 2003. 864 с.
4. Исмаилов А. Х., Буленов Б., Наурызбаева А. Н. [и др.]. Интеллектуальные программные комплексы анализа больших данных // Интеграция науки, образования и производства индустриального государства : сб. Междунар. науч.-практ. конф. Нур-Султан : Мастер По ЖШС, 2020. С. 79–81.
5. Чубукова И. А. Data Mining. Курс лекций INTUIT. 2006. 328 с. URL: https://www.twirpx.com/file/116669/
6. Новые возможности развития в условиях четвертой промышленной революции : послание Президента РК Н. Назарбаева народу Казахстана от 10 января 2018 г. URL: https://www.akorda.kz/ru/addresses/
7. Замятин А. В. Интеллектуальный анализ данных : учеб. пособие. Томск : Изд. Дом Томс. гос. ун-та, 2016. 120 с.
8. Масимов К. Следующий властелин мира. Искусственный интеллект. М. : ЛитРес, 2019. 177 с.
9. Силен Д., Мейсман А., Али М. Основы Data Science и Big Data. Python и наука о данных. СПб. : Питер, 2017. 336 с. (Сер. «Библиотека программиста»).
10. Ергалиев Д. С. Отбор информативных признаков распознавания // Труды Международного симпозиума Надежность и качество. 2008. Т. 1. С. 290–291.
11. Коптев А. Н., Ергалиев Д. С., Саханов К. Ж. Интеллектуальные системы оценки состояния бортовых комплексов оборудования // Труды Международного симпозиума Надежность и качество. 2008. Т. 1. С. 444–446.
12. Ергалиев Д. С. Сравнительный анализ методов распознавания образов // Труды Международного симпозиума Надежность и качество. 2011. Т. 2. С. 43–44.