Поиск :
Личный кабинет :
Электронный каталог: Суницкий, Я.Р. - Методы машинного обучения для прогнозирования дефектов в производственных процессах
Суницкий, Я.Р. - Методы машинного обучения для прогнозирования дефектов в производственных процессах
Статья
Автор: Суницкий, Я.Р.
Методы машинного обучения для прогнозирования дефектов в производственных процессах
2025 г.
ISBN отсутствует
Автор: Суницкий, Я.Р.
Методы машинного обучения для прогнозирования дефектов в производственных процессах
2025 г.
ISBN отсутствует
На полку
Статья
Суницкий, Я.Р.
Методы машинного обучения для прогнозирования дефектов в производственных процессах / Суницкий Я.Р. – 2025#SOURCE#. – С.55-57. – 642271. – На рус. яз.
Обзор существующих подходов и алгоритмов машинного обучения, применяемых в промышленной аналитике. Наиболее распространенные подходы, используемые в практике промышленного анализа: логистическая регрессия; метод опорных векторов; деревья решений и ансамблевые методы; нейронные сети и глубокое обучение; кластеризация и выявление аномалий. Отрасли, где использование методов машинного обучения эффективно: автомобильная промышленность; электронная промышленность; металлургия; химическая промышленность. Ключевые проблемы, связанные с недостаточным качеством исходных данных, ограниченной интерпретируемостью сложных моделей и сложностями при интеграции ИИ-решений в действующие производственные цепочки. Перспективность дальнейших исследований в данной области.
Суницкий, Я.Р.
Методы машинного обучения для прогнозирования дефектов в производственных процессах / Суницкий Я.Р. – 2025#SOURCE#. – С.55-57. – 642271. – На рус. яз.
Обзор существующих подходов и алгоритмов машинного обучения, применяемых в промышленной аналитике. Наиболее распространенные подходы, используемые в практике промышленного анализа: логистическая регрессия; метод опорных векторов; деревья решений и ансамблевые методы; нейронные сети и глубокое обучение; кластеризация и выявление аномалий. Отрасли, где использование методов машинного обучения эффективно: автомобильная промышленность; электронная промышленность; металлургия; химическая промышленность. Ключевые проблемы, связанные с недостаточным качеством исходных данных, ограниченной интерпретируемостью сложных моделей и сложностями при интеграции ИИ-решений в действующие производственные цепочки. Перспективность дальнейших исследований в данной области.