МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧ DATA MINING 

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
Салтанат Жапаспаевна Кенбеилова, PhD, ученый секретарь, Академия гражданской авиации (Казахстан, г. Алматы, ул. Ахметова, 44), E-mail: sal-japaspai@mail.ru
Асылхан Исмаилов, магистрант, Казахский университет технологии и бизнеса (Казахстан, г. Нур-Султан, ул. Кайым Мухамедханова, 37А), E-mail: Asyl@mail.ru
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

10.21685/2307-4205-2021-4-3 

Актуальность и цели. Рассматривается нейронная сеть (искусственная нейронная сеть) как некая математическая модель. Также в работе анализируется ее программное и аппаратное воплощение. Материалы и методы. Метод нейронных сетей ассоциируется с глубоким обучением (deep learning). Предлагаемая модель построена по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Она представляет собой систему соединенных и взаимодействующих между собой простых процессоров в виде искусственных нейронов. Будучи соединенными в большую сеть с управляемым взаимодействием, такие по отдельности взятые простые процессоры вместе способны выполнять довольно сложные задачи. Результаты. Как результат проведенных исследований можно отметить ансамблевые методы, которые являются методом интеллектуального обучения, где несколько моделей обучаются для решения поставленного единого вопроса и объединяются для получения лучших результатов. Основное предположение применения метода: при верном сочетании слабых моделей можно достигнуть более надежных и точных результатов. Выводы. Описываемые ансамблевые методы машинного обучения являются так называемыми мета-алгоритмами, позволяющими объединить несколько методов машинного обучения в одну прогностическую модель. Указанные алгоритмы состоят из двух шагов: создание распределения простых моделей ML по подмножествам исходных данных и объединение распределения в одну «агрегированную» модель. 

Ключевые слова

нейронная сеть, математическая модель, аппаратное воплощение, процессор, задачи 

 Скачать статью в формате PDF

1. Силен Д., Мейсман А., Али М. Основы Data Science и Big Data. Python и наука о данных. СПб. : Питер, 2017. 336 с.
2. Ансамблевые методы: бэггинг, бустинг и стекинг. URL: https://neurohive.io/ru/osnovy-data-science/ ansamblevye-metody-begging-busting-i-stekin
3. Witten I. H., Eibe F. Data Mining: practical machine learning tools and techniques. 2nd ed. (Morgan Kaufmann series in data management systems). URL: http://www.academia.dk
4. Ясницкий Л. Н. Искусственный интеллект. Элективный курс : учеб. пособие. М. : БИНОМ. Лаборатория знаний, 2012. 197 с.
5. Кочегаров И. И., Юрков Н. К., Ергалиев Д. С. [и др.]. Методика оценки остаточного ресурса электронного блока с использованием ускоряющих факторов // Надежность и качество сложных систем. 2020. № 4. С. 58–72. doi: 10.21685/2307-4205-2020-4-7.
6. Тулегулов А. Д., Ергалиев Д. С., Бейсембиева Б. С., Акишев К. М. Методы нейронных сетей и глубокого обучения на основе интеллектуального агента // Надежность и качество сложных систем. 2021. № 3. С. 25–32. doi: 10.21685/2307-4205-2021-3-3.