УДК 004.032.26
С.О. ДОВГИЙ
Інститут телекомунікацій і глобального інформаційного простору НАН України, Київ, Україна, 
pryjmalnya@gmail.com
М.О. ЗОЗЮК
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна,
maksym.zoziuk@gmail.com
Д.В. КОРОЛЮК
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського»; Інститут математики НАН України; Інститут телекомунікацій
та глобального інформаційного простору НАН України, Київ, Україна; лабораторія цифрових інновацій Міждисциплінарної кафедри ЮНЕСКО з біотехнології та біоетики Римського університету Тор Вергата, Італія, dimitri.koroliouk@ukr.net
АДАПТИВНА СИСТЕМА ГЛИБОКОГО НАВЧАННЯ
ДЛЯ ДОСЛІДЖЕННЯ ДАНИХ ЗАГАЛЬНОГО ТИПУ
Анотація. Представлено підхід до аналізу великої кількості даних, між якими немає чіткого зв’язку. Він слугує для того, щоб встановити наявність хоча б якогось зв’язку, і у разі встановлення його наявності визначити також ступінь цього зв’язку. Продемонстровано можливість автоматичного оброблення даних та автоматичної зміни параметрів систем глибокого навчання для формування платформи глибокого навчання під час аналізу параметрів даних. Показано, як ця система задовольнятиме потреби фахівців в інших галузях, які ніколи безпосередньо не використовували системи глибокого навчання. За допомогою відомого набору даних MNIST встановлено, що з використанням окремих параметрів цих даних можна визначити їхній вплив на точність передбачення системи глибокого навчання.
Ключові слова: нейронна мережа, автоматичне оброблення даних, інформативність вибірки, система прогнозування, методи оброблення.
повний текст
СПИСОК ЛІТЕРАТУРИ
- Shaikh A.A., Doss A.N., Subramanian M., Jain V., Naved M., Mohiddin Md.K. Major applications of data mining in medical. Materials Today: Proceedings. 2022. Vol. 56, Pt. 4. P. 2300–2304. https://doi.org/10.1016/j.matpr.2021.11.642.
- Behrad F., Abadeh M.S. An overview of deep learning methods for multimodal medical data mining. Expert Systems with Applications. 2022. Vol. 200. Article 117006. https://doi.org/ 10.1016/j.eswa.2022.117006.
- Taranath N.L., Roopashree H.R., Yogeesh A.C., Darshan L.M., Subbaraya C.K. Medical decision support system using data mining. In: Predictive Modeling in Biomedical Data Mining and Analysis. Roy S., Goyal L.M., Balas V.E., Agarwal B., Mittal M. (Eds.). Academic Press, 2022. P. 49–64. "https://doi.org/10.1016/B978-0-323-99864-2.00007-X .
- Brescia M., Longo G. Astroinformatics, data mining and the future of astronomical research. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2013. Vol. 720. P. 92–94, https://doi.org/10.1016/j.nima.2012.12.027.
- Settino M., Ruffolo A., La Regina F. “Mining” the sky from data mining. Acta Astronautica. 2006. Vol. 59, Iss. 6. P. 499–502. "https://doi.org/10.1016/j.actaastro.2006.03.006.
- Chen Y., Kong R., Kong L. Applications of artificial intelligence in astronomical big data. In: Big Data in Astronomy. Kong L., Huang T., Zhu Y., Yu S. (Eds.). Elsevier, 2020. P. 347–375. https://doi.org/10.1016/B978-0-12-819084-5.00006-7.
- Carlbring P., Hadjistavropoulos H., Kleiboer A., Andersson G. A new era in Internet interventions: The advent of Chat-GPT and AI-assisted therapist guidance. Internet Interventions. 2023. 100621. https://doi.org/10.1016/j.invent.2023.100621 .
- Thelwall M., Sud P. Webometric research with the Bing Search API 2.0. Journal of Informetrics. 2012. Vol. 6, Iss. 1. P. 44–52. https://doi.org/10.1016/j.joi.2011.10.002.
- Antonello F., Baraldi P., Shokry A., Zio E., Gentile U., Serio L. A novel association rule mining method for the identification of rare functional dependencies in Complex Technical Infrastructures from alarm data. Expert Systems with Applications. 2021. Vol. 170. 114560. https://doi.org/10.1016/j.eswa.2021.114560 .
- He Y.-L., Ou G.-L., Fournier-Viger P., Huang J.Z., Suganthan P.N. A novel dependency-oriented mixed-attribute data classification method. Expert Systems with Applications. 2022. Vol. 199. 116782. https://doi.org/10.1016/j.eswa.2022.116782.
- Di Martino F., Loia V., Sessa S. Fuzzy transforms method and attribute dependency in data analysis. Information Sciences. 2010. Vol. 180, Iss. 4. P. 493–505. https://doi.org/10.1016/ j.ins.2009.10.012 .
- Koroliouk D.V., Korolyuk V.S. Filtration of stationary Gaussian statistical experiments. J. Math. Sci. 2018. Vol. 229, Iss. 1. P. 30–35. https://doi.org/10.1007/s10958-018-3660-0.
- Koroliouk D.V. Binary statistical experiments with persistent nonlinear regression. Theor. Probability and Math. Statist. 2015. Vol. 91. P. 71–80. https://doi.org/10.1090/tpms/967.
- Koroliouk D., Koroliuk V.S., Nicolai E., Bisegna P., Stella L., Rosato N. A statistical model of macromolecules dynamics for Fluorescence Correlation Spectroscopy data analysis. Statistics, Optimization & Information Computing. 2016. Vol. 4, N 3. P. 233–242. https://doi.org/ 10.19139/soic.v4i3.219.
- Koroliouk D.V. Multivariate statistical experiments with persistent non-linear regression and equilibrium. Theor. Probability and Math. Statist. 2016. Vol. 92. P. 71–79. https://doi.org/10.1090/tpms/983.
- Cybenko G.V. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems. 1989. Vol. 2, N 4. P. 303–314.
- Deng L. The MNIST database of handwritten digit images for machine learning research [best of the Web]. IEEE Signal Processing Magazine. 2012. Vol. 29, N 6. P. 141–142. https://doi.org/10.1109/MSP.2012.221147 7.
