машинне навчання

ОПТИМІЗАЦІЯ ПРОЦЕСУ МАРШРУТИЗАЦІЇ В РОЗПОДІЛЕНИХ МЕРЕЖАХ З ВИКОРИСАННЯМ МАШИННОГО НАВЧАННЯ

У статті запропоновано інноваційний підхід до оптимізації маршрутизації в розподілених мережах із використанням методів машинного навчання, зокрема підкріплювального навчання. Використання цього підходу дозволяє значно підвищити ефективність керування потоками даних, оскільки алгоритм адаптивно визначає оптимальні шляхи передачі на основі поточного стану мережі. Це сприяє зменшенню затримок, покращенню використання пропускної здатності та підвищенню загальної продуктивності мережевої інфраструктури.

ЗАСТОСУВАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ АНАЛІЗУ НАСТРОЇВ КОРИСТУВАЧІВ В ІНФОРМАЦІЙНО-КОМУНІКАЦІЙНИХ СИСТЕМАХ

У статті розглядаються сучасні методи застосування машинного навчання та рекомендаційних систем для аналізу настроїв користувачів в інформаційно-комунікаційних середовищах. Соціальні мережі та цифрові платформи стали важливими джерелами громадської думки, щодня генеруючи великі обсяги текстових даних. Традиційні методи аналізу, такі як словникові методи або класичні алгоритми машинного навчання, мають обмеження щодо визначення контексту, сарказму, сленгу та емоційних відтінків тексту. Це ускладнює точне визначення емоцій користувачів і соціально значущих тем.

ОЦІНКА ВПЛИВУ ОЗНАК У МОДЕЛЯХ ВИЯВЛЕННЯ АНОМАЛІЙ BGP НА ОСНОВІ SHAP

Класифікація аномалій з використанням Протоколу Граничного Шлюзу (BGP) є важливою для забезпечення стабільності та безпеки Інтернету, оскільки такі аномалії можуть порушувати роботу та надійність мережі. У попередніх дослідженнях цієї предметної області було проаналізовано вплив базових характеристик повідомлень оновлення BGP на моделі виявлення аномалій, проте описані підходи часто використовують методи з високою обчислювальною складністю, важкі для розуміння та можуть викликати труднощі при заміні наборів даних чи тренувальних моделей.

ГІБРИДНА МОДЕЛЬ ВИЯВЛЕННЯ МЕРЕЖЕВИХ АНОМАЛІЙ З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ

Зростаюча складність кіберзагроз вимагає розробки ефективних методів виявлення та класифікації атак у мережевому трафіку. У даному дослідженні проаналізовано ефективність трьох популярних алгоритмів машинного навчання: Random Forest, який використовується для виявлення аномалій, Support Vector Machines (SVM), що виконує класифікацію кіберзагроз, та автоенкодерів, які застосовуються для попередньої обробки даних та глибокого аналізу трафіку.

МОДЕЛЮВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПРОГНОЗУВАННЯ ДОХОДУ

У статті проаналізовано можливості прогнозування доходів великих корпорацій, таких як Apple, Amazon, GE, IBM і ExxonMobil, використовуючи алгоритми машинного навчання Random Forest та XGBoost, а також Tableau як еталонний інструмент аналітики.

Hybrid least squares support vector machine for water level forecasting

Previous studies have highlighted the significant role of historical water level data in flood forecasting.  In this study, we compare two standalone models, Support Vector Machine (SVM) and Least Squares Support Vector Machine (LSSVM), with hybrid models that integrate Ensemble Empirical Mode Decomposition (EEMD) with SVM and LSSVM, aiming to develop a more effective forecasting approach for hydrological data.  Particle Swarm Optimization (PSO) is incorporated into these hybrid models to optimize the parameters of SVM and LSSVM, resulting in four models: SVM-PSO, LSSVM

МОДЕЛІ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ ARIMA ТА LSTM В ЕКОНОМІЦІ ТА ФІНАНСАХ

Прогнозування часових рядів є важливим завданням у економіці, бізнесі та фінансах. Традиційно для прогнозування використовуються такі методи, як авторегресія (AR), рухоме середнє (MA), експоненціальне згладжування (SES) і, найпоширеніше, авторегресійна інтегрована модель ковзного середнього (ARIMA). Модель ARIMA продемонструвала високу точність у прогнозуванні майбутніх значень часових рядів. Завдяки розвитку обчислювальних потужностей та алгоритмів глибокого навчання з’явилися нові підходи до прогнозування.

МЕТОДОЛОГІЯ ВПРОВАДЖЕННЯ САМОНАВЧАЛЬНИХ МОДЕЛЕЙ ЗВОРОТНОГО ЗВ'ЯЗКУ В СИСТЕМИ CRM: ПОРІВНЯЛЬНИЙ АНАЛІЗ ЕФЕКТИВНОСТІ

У статті запропоновано методологію впровадження самонавчальних моделей зворотного зв'язку в системи управління взаємовідносинами з клієнтами (CRM). Досліджено основні проблеми існуючих CRM-систем, пов'язані з недостатньою адаптивністю до змін у поведінці клієнтів та обмеженими можливостями автоматичного аналізу даних. На основі аналізу сучасних підходів машинного навчання розроблено комплексну модель впровадження самонавчальних алгоритмів, що базується на трирівневій архітектурі: збір та обробка даних, аналітична обробка та адаптивна взаємодія.

Dynamic learning rate adjustment using volatility in LSTM models for KLCI forecasting

The prediction of financial market behaviour constitutes a multifaceted challenge, attributable to the underlying volatility and non-linear characteristics inherent within market data.  Long Short-Term Memory (LSTM) models have demonstrated efficacy in capturing these complexities.  This study proposes a novel approach to enhance LSTM model performance by modulating the learning rate adaptively based on market volatility.  We apply this method to forecast the Kuala Lumpur Composite Index (KLCI), leveraging volatility as a key input to adapt the learning rate during trai

ОЦІНКА ІНСТРУМЕНТІВ МУЛЬТИМОДАЛЬНОЇ СИНХРОНІЗАЦІЇ ДАНИХ

Постійне зростання обсягів даних вимагає розробки ефективних методів управління, обробки та зберігання інформації. Крім того, доцільно застосовувати мультимодальні підходи агрегації знань для отримання додаткових знань. Зазвичай проблема ефективної обробки мультимодальних даних пов'язана з високоякісною попередньою обробкою даних. Одним із найважливіших етапів попередньої обробки є синхронізація мультимодальних потоків даних для аналізу складних взаємодій у різних типах даних.