Ансамбль однорідних методів машинного навчання з усередненням результату

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Ільчишином Богданом Андрійовичом. Тема “Ансамбль однорідних методів машинного навчання з усередненням результату”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою роботи є підвищення точності прогнозування у випадку аналізу коротких вибірок даних за рахунок ансамблевого усереднення результатів роботи однорідних методів машинного навчання Об’єктом дослідження є процеси композиції ансамблевих методів машинного навчання. Предметом досліджень є методи декореляції наборів даних. У результаті виконання дипломної роботи реалізовано новий метод апроксимації табличних наборів даних за рахунок ансамблевого усереднення результатів роботи нейронної мережі без навчання та використання алгоритму декореляції набору даних, що забезпечило підвищення точності апроксимації на 15% в порівнянні із базовою нейронною мережею узагальненої регресії покладеною в основі роботи ансамблю. Загальний обсяг роботи: 67 сторінок, 12 рисунки, 32 посилання. Master’s degree work of the student of the group CSAI-2” Ilchyshyn Bohdan Andriyovich. The topic is "Ensemble averaging of homogeneous machine learning algorithms". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of research is to increase the accuracy of prediction in the case of analyzing short data samples through the ensemble averaging of results from homogeneous machine learning methods. The object of research is the processes of composition of ensemble machine learning methods. The subject of the study is the methods of data set decorrelation. As a result of the bachelor's qualification work, a new method of approximation of tabular data sets was implemented through the ensemble averaging of the results of an untrained neural network and the use of a data set decorrelation algorithm, which increased the approximation accuracy by 15% compared to the base neural network of generalized regression underlying the ensemble's work. The total volume of work: 67 pages, 12 figures, 32 references.