Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации
Ордена Трудового Красного Знамени федеральное государственное бюджетное образовательное учреждение высшего образования
«Московский технический университет связи и информатики»
Реферат
Дисциплина: «Анализ производительности информационной системы»
по теме:
«Методы машинного обучения»
Выполнили: студенты группы
Проверил:
Старший преподаватель Беленькая Марина Наумовна
Москва, 2026 г.
Анализ производительности информационной системы
Цель и задачи
Цель - Изучить основные методы машинного обучения, классификацию и алгоритмы данных методов, их применение в различных областях. Рассмотреть задачи, которые стоят сегодня для машинного обучения.
Задачи:
1.Исследование технологии нейронных сетей.
2.Анализ классификации методов машинного обучения.
3.Исследование алгоритмов машинного обучения.
4.Анализ применения методов машинного обучения в различных областях.
5.Описание задач, которые стоят сегодня для машинного обучения.
2
Анализ производительности информационной системы
Введение
Вопросы эффективности и обучаемости нейронных сетей остаются актуальными и требуют дальнейших исследований. Современные методы обучения направлены на улучшение производительности нейронных сетей в условиях разнообразных задач и различных данных. Это включает в себя разработку новых архитектур сетей, улучшение алгоритмов оптимизации, адаптацию к различным типам данных и обучение на больших объемах данных.
3
Анализ производительности информационной системы
Нейронная сеть
Нейронная сеть – алгоритм из класса алгоритмов
искусственного интеллекта, представляющий собой предопределенную последовательность действий с множеством регулируемых параметров, в котором значения выходных данных сложным образом зависят от значений входных данных [1].
*Источник: ГОСТ Р 57700.36-2021 Высокопроизводительные вычислительные системы.
Оценка производительности высокопроизводительных вычислительных систем на алгоритмах, 4 использующих сверточные нейронные сети. Официальное издание. М.: ФГБУ "РСТ", 2021, Росстандарт
Анализ производительности информационной системы
Преимущества нейронных сетей
1.Адаптивность – способность нейронной сети изменять свои синоптические веса, в следствие изменения внешней среды.
2.Масштабируемость – возможность объединять разные виды нейронных сетей в одну для получения лучших результатов.
3.Отказоустойчивость – нейронная сеть является распределённой системой и повреждения участка цепи нейронов не приводят к отказу работы системы.
5
Анализ производительности информационной системы
Классификация
Рисунок 1 - Общая классификация постановок задач машинного обучения [2]
*Источник: Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. — СПб.: Питер, 2018. — 480 с.: ил. |
6 |
ISBN 978-5-496-02536-2 |
Анализ производительности информационной системы
Алгоритмы машинного обучения
1.В настоящее время алгоритм градиентного спуска является одним из основных инструментов обучения нейронных сетей
2.Dropout, который случайным образом исключает некоторые нейроны во время обучения, таким образом, сеть вынуждена учиться без полной информации, что способствует обобщающей способности модели.
3.Батч-нормализация - еще один важный метод, который способствует стабилизации обучения и ускоряет сходимость модели путем нормализации активации во время обучения
7
|
|
|
Анализ производительности |
|
|
Применение |
информационной системы |
||
|
|
|
||
|
|
|
|
|
Класс методов |
Обучение с учителем |
Обучение без учителя |
Обучения с частичным |
|
машинного |
|
|
привлечением учителя |
|
обучения |
|
|
(подкреплением) |
|
|
|
|
|
|
|
|
|
|
|
Область |
Компьютерное зрение |
Финансовая аналитика |
Автопилот |
|
применение |
|
|
|
|
Обработка |
Кибербезопасность |
Искусственный интеллект |
естественного языка |
|
в играх |
Медицина |
Генерация контента |
Рекомендательные |
|
|
системы |
8
Анализ производительности информационной системы
Задачи, которые стоят сегодня
Transfer Learning - Этот метод позволяет использовать знания, полученные при решении одной задачи, для улучшения производительности модели на другой задаче.
Аугментации данных, то есть созданию новых образцов данных путем внесения небольших изменений в существующие данные.
Ключевые задачи машинного обучения
Классификация |
Регрессия |
Кластеризация |
|
9
Анализ производительности информационной системы
Вывод
В ходе исследования был проведен анализ основных методов машинного обучения, их классификации, алгоритмов и областей применения. Изучены современные тенденции в области обучения нейронных сетей, такие как передача обучения, аугментация данных и объединение моделей.
На основании полученных данных можно сделать вывод:
•Методы машинного обучения являются эффективным инструментом, способным решать задачи в различных областях
•Развитие нейронных сетей непрерывно происходит, совершенствуя методы обучения
•Ответственное использование машинного обучения является важной задачей, требующей пристального внимания
10