В статье рассматриваются вопросы ознакомления обучающихся с основами искусственного интеллекта в процессе организации обучения программированию во внеурочной деятельности, а также возможности, предоставляемые средой программирования PictoBlox в процессе организации обучения программированию во внеурочной деятельности учащихся пятых и шестых классов. Приведен краткий обзор данной среды программирования, рассмотрен процесс создания проектов с использованием машинного обучения и искусственного интеллекта. Приведены примеры проектов, в которых используются элементы машинного обучения и искусственного интеллекта. Материалы статьи познакомят учителей информатики и педагогов дополнительного образования с основными методическими подходами к использованию среды программирования PictoBlox в образовательном процессе и будут способствовать организации занятий внеурочной деятельности с использованием данного программного обеспечения.
Интерес к нейронным сетям сегодня огромен. Нейросетями для решения своих задач пользуются и школьники, и студенты, и учителя. В соответствии с федеральным проектом «Искусственный интеллект» многие вузы включают в свои образовательные программы дисциплины по искусственному интеллекту и нейронным сетям, организуют курсы повышения квалификации для учителей по данной тематике. В статье рассматриваются основные подходы к обучению студентов педагогических специальностей нейросетям. Предлагается подход, основанный на изучении принципов работы нейросетей с помощью онлайн-сервисов для обучения моделей искусственного интеллекта. Приводится сравнение сервисов по функционалу и удобству использования. Описывается опыт изучения студентами направления подготовки 44.03.05 «Педагогическое образование (с двумя профилями подготовки)» процесса обучения нейронных сетей с помощью онлайн-сервиса Teachable Machine.
Изложенный в статье подход к изучению нейросетей может быть интересен учителям для организации учебной и внеурочной деятельности по знакомству школьников с работой нейросетей и организации проектной деятельности обучающихся с использованием нейросетей.
В статье рассказывается об использовании среды Jupyter Lab для развития навыков реализации методов машинного обучения у специалистов по информационной безопасности. Результаты дают представление о том, как среда Jupyter Lab может стать эффективным инструментом развития навыков специалистов по информационной безопасности, позволяя им выполнять анализ данных, разрабатывать и тестировать алгоритмы и модели, а также автоматизировать рутинные задачи по обеспечению безопасности. В качестве примера приведен анализ результатов решения задач бинарной и многоклассовой классификации вторжений в сетевой трафик с использованием набора данных UNSW-NB15.
В статье проанализирована эффективность использования различных моделей машинного обучения для предсказания спектральных свойств экзогенных флуорофоров, ключевых в диагностике онкозаболеваний. Исследуется применение алгоритмов ИИ для быстрого и экономически эффективного поиска новых флуорофоров, способствующих раннему выявлению рака. В статье оценивается эффективность различных моделей машинного обучения в предсказании свойств экзогенных флуорофоров, используемых в диагностике онкологических заболеваний. В работе исследуется применение алгоритмов искусственного интеллекта для быстрого поиска новых флуорофоров, способствующих раннему обнаружению рака. Особое внимание уделено оптической биопсии как неинвазивному методу исследования тканей для ранней диагностики патологий. В статье обобщаются данные из базы данных PubChem и GeoMcNamara и анализируются молекулярные свойства флуорофоров и их спектральные характеристики. Используя модели машинного обучения, такие как линейная регрессия, метод опорных векторов, случайный лес и XGBoost, получены результаты предсказания длины волны излучения для образцов флуорофоров. Результаты обучения и тестирования моделей свидетельствуют о высокой точности работы XGBoost и Random Forest. Исследование подчеркивает важность разработки эффективных флуорофоров для ранней диагностики рака и представляет модели машинного обучения в качестве инструментов для обработки и анализа данных в этой области, что позволяет акцентировать внимание на перспективности и применимости прогрессивных методов исследования в онкологии и медицинской химии.
В данной статье описывается процесс реализации такого метода машинного обучения, как рекомендательная система; рассматривается построение коллаборативной рекомендательной системы, в основе которой лежит алгоритм сингулярного разложения или сингулярной декомпозиции матрицы. Описаны процесс сбора тестовых данных, их обработки, а также обучение модели и её оценка согласно некоторым метрикам.
Рассматривается возможность применения такого метода машинного обучения, как деревья решений, для определения метеорологической дальности видимости на основе других погодных показателей (температура воздуха, атмосферное давление, относительная влажность, скорость и направление ветра, облачность, текущая погодаи др.). Описаны процесс сбора и обработки данных, а также обучение модели и её итоговая точностью.
В статье рассмотрен опыт реализации технологий искусственного интеллекта для разработки специальной программы как инновационного инструмента по осуществлению прогноза стабильности супружеских отношений. Для экспериментального исследования осуществлен сбор и обработка индивидуальных данных участников эксперимента 23-40 лет (n=57). С помощью реализации интеллектуальных алгоритмов машинного обучения были определены прогнозы по двум категориям: «неустойчивость и расторжение брака» и «устойчивость брака и исключение развода». В результате авторская разработка выявила ключевые категории признаков, положительно или отрицательно влияющих на возможность достижения в будущем семейного счастья. Созданная программа позволяет спрогнозировать будущую семейную траекторию и при определенных обстоятельствах может повысить целостность семейного очага.
Синдром дефицита внимания и гиперактивности (СДВГ) - широко распространенное расстройство развития, характеризующееся невнимательностью, импульсивностью и гиперактивностью. В то время как традиционные методы диагностики основаны на клинических интервью, тестах и поведенческих наблюдениях, методы машинного обучения (МО) дают возможность упростить процесс диагностики СДВГ и сделать его более точным. В данном обзоре предпринята попытка изучить опубликованную за последние несколько лет литературу, описывающую результаты применения алгоритмов машинного обучения к физиологическим и нейроанатомическим данным: снимкам и записям магнитно-резонансной томографии (МРТ), функциональной МРТ (фМРТ), инфракрасной спектроскопии (fNIRS), электроэнцефалографии (ЭЭГ), магнитоэнцефалографии (МЭГ), электрокардиограммы (ЭКГ), движений глаз и физической активности, а также параметров зрачков для выявления диагностических биомаркеров СДВГ. Модели глубокого обучения и алгоритм опорных векторов (SVM) демонстрируют наиболее перспективные результаты для выявления СДВГ, как у детей, так и у взрослых. Однако, несмотря на то, что с помощью методов машинного обучения исследователям удается достичь высокого уровня специфичности и чувствительности при решении задачи диагностики СДВГ, их использование в клинической практике требует предварительной работы для проверки результатов на больших выборках.
Целью данной исследовательской работы является исследование эффективности различных методов машинного обучения. В данной работе будут проанализированы и будет проведено сравнение нескольких широко используемых методов, включая линейную регрессию, PolynomialFeatures, метод градиентного бустинга, метод случайного леса.
Данная статья представляет методологию определения атмосферного давления с использованием метода k-ближайших соседей. В ней процесс сбора данных о погоде в 3 населённых пунктах. Затем подробно объясняется принцип работы метода k-ближайших соседей, который используется для прогнозирования атмосферного давления на основе близких значений измерений. Эффективность метода и точность результатов подтверждаются в экспериментальных исследованиях, где сравниваются предсказанные и реальные значения давления.