Машинне навчання (ML)

У роботі досліджено взаємозв’язок між популярністю репозиторіїв з відкритим кодом та їхньою якістю, оціненою за допомогою статичних метрик якості коду. Основну увагу звернено на визначення ключових показників для двох різних парадигм, а саме функціонального та об’єктно-орієнтованого програмування. Кінцевою метою дослідження є розроблення ефективного методу пошуку коду для виявлення високоякісних репозиторіїв GitHub, щоб забезпечити баланс між популярністю репозиторію та якістю коду для подальшого його використання у навчанні моделей машинного навчання.

У статті розглядаються теоретичні основи алгоритму подвійного контролю в контексті машинного навчання, акцентуючи увагу на його застосуванні для інтелектуальних агентів у мультиагентних інформаційно-вимірювальних системах. Розроблений алгоритм, який поєднує виявлення аномалій у даних і телеметричне калібрування сенсорів, що відкриває нові можливості для підвищення точності й надійності вимірюваних даних у складних і динамічних середовищах. Аналізуються переваги алгоритму в аспектах адаптивності, прогнозування та інтеграції даних, порівнюючи його з іншими алгоритмами машинного навчання.