В статье исследована эффективность ансамблевых алгоритмов на основе принципов частичной прсцедентности при классификации стадий рака. Механизм взвешенного принятия решений на основе линейной свертки показал высокие результаты при классификации типов рака (С 16, С17, С18, С44, С50, С00). Разработан метод на основе манхэттенского расстояния и пороговых значений, результаты сравнены с классическими алгоритмами. Предложенный ансамблевый алгоритм повышает точность классификации до 94,7-96,2%, что на 3-10% выше результатов существующих алгоритмов.
В данной статье рассматриваются современные алгоритмы, применяемые для интеллектуального анализа речевых сигналов, а также их научно-практическое значение. Развитие технологий искусственного интеллекта и машинного обучения расширяет возможности автоматической обработки речевых сигналов, извлечения признаков и распознавания. В исследовании анализируются процессы моделирования на основе таких передовых методов, как MFCC, CNN и RNN. Также рассматриваются алгоритмы, применяемые для преобразования речи в текст, идентификации говорящего и понимания контекста. Полученные результаты могут быть использованы в интеллектуальных голосовых интерфейсах, системах безопасности и лингвистических приложениях.
В данном исследовании представлен передовой подход к оптимизации систем нечеткого вывода (СНВ) с использованием генетических алгоритмов (ГА) -мощного эволюционного метода, вдохновленного естественным отбором. Традиционная разработка FIS основана на эвристической настройке базы правил и функций релевантности, что может быть неэффективным. Это исследование позволяет систематически оптимизировать базу правил СНВ, что повышает точность, гибкость и надежность систем принятия решений. Экспериментальные результаты показывают, что сложность базы правил значительно снижается при сохранении производительности системы. В исследовании также подчеркивается важность таких операторов ГА, как отбор, кроссинговср и мутация, для достижения глобальной оптимальности. Такая интеграция помогает разрабатывать интеллектуальные системы, способные адаптироваться к реальным ситуациям, обеспечивая многообещающие результаты для экспертных систем, приложений автоматизации и управления.
Настоящая работа посвящена исследованию применения машинного обучения (ML) для трансформации бизнсс-процсссов в условиях цифровой экономики. Рассматриваются возможности использования алгоритмов ML для автоматизации управления, прогнозирования ключевых показателей эффективности (K.PI) и оптимизации распределения ресурсов. В статье подробно описаны теоретические основы, методология разработки программного решения, а также результаты экспериментов на реальных данных из логистики и электронной коммерции. Приводятся примеры применения линейной регрессии, случайного леса, градиентного бустинга и нейронных сетей, демонстрирующие их эффективность в повышении производительности и снижении издержек. Работа подчёркивает стратегическую роль ML как инструмента достижения конкурентных преимуществ и предлагает направления для дальнейших исследований в области адаптации технологий к различным отраслям.
В статье представлен сравнительный анализ алгоритмов машинного обучения, применяемых для ранней диагностики онкологических заболеваний. В работе рассмотрены алгоритмы Random Forest, XGBoost, AdaBoost и другие, протестированные на различных клинических задачах, таких как рак шейки матки, лёгких и кожи. Особое внимание уделено ансамблевым методам, которые продемонстрировали наивысшую точность, особенно алгоритму Random Forest (случайный лес). Подчёркивается универсальность изучаемых методов, их адаптивность к разнородным медицинским данным и потенциал для разработки интеллектуальных систем поддержки принятия клинических решений.
В данной статье рассматривается роль алгоритмов в решении задач искусственного интеллекта (ИИ) и способы повышения их эффективности. Будут проанализированы основные алгоритмические подходы, используемые в системах (ИИ), а также освещены их преимущества и ограничения. В статье использована передовая литература, которая поможет изучить теоретические и практические аспекты алгоритмов искусственного интеллекта.
Искусственный интеллект (ИИ) становится неотъемлемой частью повседневной жизни, активно влияя на множество аспектов человеческой деятельности. Технологии ИИ используются для автоматизации рутинных задач, улучшения качества обслуживания и повышения удобства в различных сферах, таких как медицина, образование, транспорт, финансы и развлечения. Например, голосовые помощники, рекомендательные системы, умные дома и чат-боты значительно упрощают выполнение повседневных задач. Однако вместе с преимуществами ИИ вызывает вопросы, связанные с этикой, приватностью и безопасностью данных. Влияние искусственного интеллекта на рынок труда вызывает опасения о замене человеческого труда, в то время как стремительное развитие технологий порождает необходимость адаптации к новым условиям. Данная тема подчеркивает важность изучения преимуществ и рисков, связанных с внедрением ИИ, а также выработки стратегий его эффективного использования для улучшения качества жизни и минимизации возможных у1роз.
