машинне навчання

Сьогодні штучний інтелект - це повсякденна рутина, яка глибоко увійшла в наше життя. Однією з найпопулярніших технологій, що швидко розвивається, є розпізнавання мовлення, яке є невід'ємною частиною ширшої концепції обробки мультимодальних даних. Мультимодальні дані охоплюють голос, аудіо та текстові дані, що є багатогранним підходом до розуміння та обробки інформації. У цій статті представлено розробку інтерфейсу для роботи з мультимодальними даними з використанням технологій Google API.

Постановка проблеми. У цьому дослідженні розглядається проблема точного визначення заповненості чаші шнекового преса для оптимізації процесу відтиску олії. Наявні методи вимірювання на основі ваги або об’єму часто можуть давати неточні результати через змінну вагу олії на різних етапах екстракції, неоднорідність матеріалу, вплив навколишнього середовища та неточне калібрування приладу. Мета.

У бізнес-середовищі, яке постійно змінюється, інтеграція штучного інтелекту (ШІ) стає ключовим напрямком у досягненні мети підвищення доходів та збільшення обсягів продажів компаній. ШІ та його різноманітні застосування сприяють виявленню закономірностей під час вибору споживачів, що водночас сприяє ефективнішому формуванню маркетингових стратегій та стратегій продажів компаній.

Машинне навчання є логічним продовженням автоматизованих процесів за допомогою обчислювальних систем. В той час як велика кількість різних сфер діяльності людини булипокращені створенням програмного забезпечення з використанням алгоритмічнихпідходів, велика кількість інших задач залишається не вирішеною, адже створення алгоритмів для них є майже неможливим. До таких сфер можна віднести хімічні та фізичні дослідження.

Cancer stands as the foremost global cause of mortality, with millions of new cases diagnosed each year.  Many research papers have discussed the potential benefits of Machine Learning (ML) in cancer prediction, including improved early detection and personalized treatment options.  The literature also highlights the challenges facing the field, such as the need for large and diverse datasets as well as interpretable models with high performance.  The aim of this paper is to suggest a new approach in order to select and assess the generalization performance of ML models

This paper presents a machine-learning-based approach that enables simultaneous surrogate modeling and dimension reduction and applies it to aerodynamic parametric shape optimization.  Aerodynamic shape optimization is a crucial process in various industries, including aerospace, automotive, and renewable energy.  It involves iteratively improving the properties of a system by evaluating an objective function and driving its minimization or maximization using an optimization algorithm.  However, the evaluation of aerodynamic objective functions requires computationally

In this paper, we evaluate the QMLKF algorithm, designed in the previous paper [Benmoumen M. Numerical optimization of the likelihood function based on Kalman Filter in the GARCH models. Mathematical Modeling and Computing.  9 (3), 599–606 (2022)] for parameter estimation of GARCH models, by transposing it to real data and then present our machine learning for forecasting the returns of some stock indices.

The use of computer vision techniques to address the task of image retrieval is known as a Content-Based Image Retrieval (CBIR) system.  It is a system designed to locate and retrieve the appropriate digital image from a large database by utilizing a query image.  Over the last few years, machine learning algorithms have achieved impressive results in image retrieval tasks due to their ability to learn from large amounts of diverse data and improve their accuracy in image recognition and retrieval.  Our team has developed a CBIR system that is reinforced by two machine