Применение алгоритмов машинного обучения в прикладных задачах
Здесь можно купить книгу "Применение алгоритмов машинного обучения в прикладных задачах" в печатном или электронном виде. Также, Вы можете прочесть аннотацию, цитаты и содержание, ознакомиться и оставить отзывы (комментарии) об этой книге.
Автор: Александр Целых, Эдуард Котов
Форматы: PDF
Издательство: Южный федеральный университет
Год: 2025
Место издания: Ростов-на-Дону, Таганрог
ISBN: 978-5-9275-5103-3
Страниц: 126
Артикул: 115963
Возрастная маркировка: 16+
Краткая аннотация книги "Применение алгоритмов машинного обучения в прикладных задачах"
Пособие посвящено рассмотрению подходов по применению методов структурного анализа отчетности предприятия и оценки уровня финансовой безопасности предприятия. Описан процесс разработки информационно-аналитической системы обеспечения информационной безопасности предприятия на примере системы фильтрации. Продемонстрирован процесс построения сервиса для анализа инцидентов информационной безопасности в организации.Пособие предназначено для студентов высших учебных заведений, обучающихся по специальности 10.05.04 − Информационно-аналитические системы безопасности (специализация: «Безопасность систем искусственного интеллекта») по курсу «Методы интеллектуального анализа данных» и направлению 10.03.01 − Информационная безопасность (направленность: «Информационно-аналитические системы безопасности») по курсу «Модели и методы инженерии знаний».
Содержание книги "Применение алгоритмов машинного обучения в прикладных задачах "
ВВЕДЕНИЕ
1. СОВРЕМЕННОЕ СОСТОЯНИЕ ИССЛЕДОВАНИЙ В ОБЛАСТИ ФИНАНСОВОГО МОНИТОРИНГА
1.1. Введение в финансовый мониторинг и его проблемы
1.2. Тенденции развития финансового мониторинга
1.3. Влияние внедрения машинного обучения на бизнес-процессы
2. ИССЛЕДОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
2.1. Основные понятия машинного обучения
2.2. Логистическая регрессия
2.3. Деревья решений
2.4. Алгоритм случайного леса
2.5. Алгоритм Ada Boost
2.6. Градиентный бустинг
2.7. Стекинг
2.8. Блендинг
2.9. Наивный Байес
2.10. Байесовские нейросети
2.11. Алгоритм k-ближайших соседей
2.12. Алгоритм K-средних
2.13. Алгоритм пространственной кластеризации приложений с шумом на основе плотности
2.14. Модели гауссовых смесей
2.15. Алгоритм Q-Learning
2.16. Политико-градиентные алгоритмы
2.17. Алгоритм One-Class SVM
2.18. Скрытые марковские модели
2.19. Генеративно-состязательные сети
2.20. Прямопропускающие нейронные сети
2.21. Cверточные нейронные сети
2.22. Реккурентные нейронные сети
2.23. Графовые нейронные сети
2.24. Алгоритм TabNet
2.25. Алгоритмы машинного обучения в финансовом мониторинге
3. ЭФФЕКТИВНОСТЬ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧАХ ФИНАНСОВОГО НАДЗОРА
3.1. Анализ данных
3.2. Обработка данных
3.3. Обучение моделей
3.4. Анализ результатов моделей: сравнение классификаторов и методов обнаружения аномалий
3.5. Анализ методов выявления аномалий в задаче выявления аномалий
3.6. Генерация синтетических данных
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
Все отзывы о книге Применение алгоритмов машинного обучения в прикладных задачах
Отрывок из книги Применение алгоритмов машинного обучения в прикладных задачах
2.1. Основные понятия машинного обучения 19 1. 2. 3. ИССЛЕДОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ 2.1. Основные понятия машинного обучения Машинное обучение представляет собой область искусственного ин-теллекта, в которой модели обучаются на основе данных без явного про-граммирования, извлекая закономерности и делая прогнозы или принимая решения на основе ранее невидимой информации. Машинное обучение включает контролируемое (supervised learning), неконтролируемое (unsupervised learning), полуконтролируемое (semi-supervised learning) и обучение с подкреплением (reinforce-ment learning), каждое из которых имеет свои особенности, преимущества и ограничения. Контролируемое обучение основывается на наличии размеченных дан-ных, где каждому входному примеру соответствует правильный выход. Та-кие алгоритмы, как линейная регрессия, деревья решений, метод опорных векторов и нейронные сети, активно применяются в задачах классификации и регрессии. Преимуществами данного подхода являются высокая точность при наличии качественной обучающей выборки и интерпретируемость не-которых моделей, однако он требует большого объема размеченных данных и подвержен переобучению. Неконтролируемое обучение, напротив, работает с неразмеченными данными и направлено на выявление скрытых структур или закономерно-стей в них. Кластеризация, снижение размерности и выявление аномалий – типичные задачи для алгоритмов, таких как k-средних, иерархическая кла-стеризация и автоэнкодеры. Этот подход особенно полезен, когда размечен-ные данные недоступны, однако он требует более сложной интерпретации результатов и подвержен неопределенности в выборе числа кластеров или скрытых факторов. Обучение с подкреплением основывается на взаимодействии агента с окружающей средой и получении вознаграждений за принятые действ- ия. Используя концепцию процессов принятия решений Маркова (MDP),
Целых А. Н. другие книги автора
Внимание!
При обнаружении неточностей или ошибок в описании книги "Применение алгоритмов машинного обучения в прикладных задачах (автор Александр Целых, Эдуард Котов)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!
и мы свяжемся с вами в течение 15 минут
за оставленную заявку