Анализ погрешностей методов машинного обучения как основа формирования навыков их использования

Введение. Методы машинного обучения и элементы искусственного интеллекта используются для анализа случайных данных, процессов и сигналов. Изучение соответствующих инструментов уже входит в учебные программы направлений подготовки разного уровня. Цель исследования – продемонстрировать на доступных для студентов разных специальностей примерах, что анализ погрешностей методов машинного обучения при решении конкретных задач может являться основой формирования в учебном процессе навыков применения элементов искусственного интеллекта.
Материалы и методы. Для обработки случайных сигналов и данных используется открытое доступное программное обеспечение: Microsoft Excel для подготовки обучающей и тестовой выборки, аналитическая платформа Deductor для реализации алгоритмов машинного обучения. В качестве примера для технических специальностей обрабатываются квазигармонические сигналы со случайными параметрами, а для обработки многомерных случайных данных используются результаты психодиагностики.
Результаты исследования. В качестве характерного решения аппроксимационных технических задач анализируются ошибки использования нейронной сети прямого распространения для определения случайных параметров сигналов. В качестве решения классификационных задач многомерные случайные данные с разной размерностью обрабатывались при помощи нейронных сетей и метода «дерево решений». Проанализированы преимущества комбинированного использования этих двух методов машинного обучения. Приведённые примеры и их анализ апробированы на занятиях со студентами университета в рамках дисциплин «Цифровая обработка сигналов» и «Основы статистики».
Обсуждение и заключения. Обсуждаются статистические особенности полученных результатов, возможности сокращения обучающей выборки и селективного анализа многомерных случайных данных. Показано, что адекватная оценка погрешностей методов машинного обучения позволяет существенно расширить возможности их применения и может являться основой для формирования навыков их использования.

1. Агеев А. И., Золотарева О. А., Золотарев В. А. Россия в глобальном мире искусственного интеллекта: оценка по мировым рейтингам // Экономические стратегии. 2022. № 2 (182). С. 20-31. http://dx.doi.org/10.33917/es-2.182.2022.20-31.

2. Бичурина С. У., Славутская Е. В., Славутский Л. А., Абруков В. С., Садовая В. В. Вертикальный системный анализ данных психодиагностики учащихся с использованием метода «дерево решений» // Science for Education Today. 2020. № 3. С. 87-107. http://dx.doi.org/10.15293/2658-6762.2003.05.

3. Выучейская М. В., Крайнова И. Н., Грибанов А. В. Нейросетевые технологии в диагностике заболеваний (обзор) // Журнал медико-биологических исследований. 2018. Т. 6, № 3. С. 284-294. https://doi.org/10.17238/issn2542-1298.2018.6.3.284.

4. Горбань А. Н., Дунин-Барковский В. Л., Кирдин А. Н., Миркес Е. М., Новоходько А. Ю., Россиев Д. А., Терехов С. А., Сенашова М. Ю., Царегородцев В. Г. Нейроинформатика. Новосибирск, 1998. 296 с.

5. Дюк В., Самойленко А. Data Mining: учебный курс. Санкт-Петербург, 2001. 386 с.

6. Котлярова И. О. Технологии искусственного интеллекта в образовании // Вестник ЮУрГУ. Серия «Образование. Педагогические науки». 2022. Т. 14, № 3. С. 69-82. https://doi.org/10.14529/ped220307.

7. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. Москва, 2001. 382 с.

8. Куприянов Р. Б., Агранат Д. Л., Сулейманов Р. С. Использование технологий искусственного интеллекта для выстраивания индивидуальных образовательных траекторий обучающихся // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2021. Т. 18, № 1. С. 27-35. https://doi.org/10.22363/2312-8631-2021-18-1-27-35.

9. Лаборатория BaseGroup. Технологии анализа данных. URL: http://www.basegroup.ru (дата обращения: 22.05.2024).

10. Левитин А. В. Ограничения мощи алгоритмов: Деревья принятия решения. Алгоритмы. Введение в разработку и анализ (глава 10). Москва, 2006. С. 409-417.

11. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем = Artificial Intelligence: Structures and Strategies for Complex Problem Solving / под ред. Н. Н. Куссуль. 4-е изд. Москва, 2005. 864 с.

12. Плеханов Д. А. Большие данные и официальная статистика: обзор международной практики внедрения новых источников данных // Вопросы статистики. 2017. Т. 1, № 12. С. 49-60.

13. Резниченко Н. С., Шилов С. Н., Абдулкин В. В. Нейросетевой подход в решении медикопсихологических проблем и в диагностическом процессе у лиц с ограниченными возможностями здоровья (обзор литературы) // Журнал Сибирского федерального университета. Серия: Гуманитарные науки. 2013. Т. 6, № 9. С. 1256-1264. URL: https://www.elibrary.ru/item.asp?id=20253460 (дата обращения: 22.05.2024).

14. Славутская Е. В., Вострецова Н. С. Нейросеть как инструмент анализа интеллектуальной и эмоциональной сферы дошкольников // Казанский педагогический журнал. 2019. № 4 (135). С. 61-66.

15. Славутская Е. В., Славутский Л. А. О выборе структуры искусственных нейросетей и алгоритмов анализа психодиагностических данных // Казанский педагогический журнал. 2020. № 5 (142). С. 202-211.

16. Славутская Е. В., Славутский Л. А. Интеллектуальный анализ данных психодиагностики: традиционные методы и современные подходы: монография. Чебоксары, 2022. 218 с. ISBN 978-5-88297-646-9.

17. Славутский А. Л., Славутский Л. А., Алексеев В. В. Нейросетевой алгоритм восстановления в реальном времени сигнала промышленной частоты при нелинейных искажениях // Электротехника. 2021. № 8. С. 21-25.

18. Федотова М. А., Мартынов И. А. Интеллектуальные системы в информационноаналитических (ситуационных) центрах в условиях перехода к цифровой экономики // Московский экономический журнал. 2019. № 1. С. 32. https://doi.org/10.24411/2413-046X-2019-11032.

19. Хайкин С. Нейронные сети: полный курс. 2-е изд. Москва, 2006. 1104 с.

20. Шитиков В. К., Мастицкий С. Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. 2017. URL: https://ranalytics.github.io/data-mining (дата обращения: 22.05.2024).

21. Bezdek J. C., Keller J. M., Krisnapuram R., Pal N. R. Fuzzy models and algorithms for pattern recognition and image processing. Springer Science & Business Media, 2005. 759 p.

22. Breiman L., Friedman J. H., Olshen R. A., Stone C. J. Classification and regression trees. Monterey C A: Wadsworth & Brooks/Cole Advanced Books & Software, 1984. 366 p.

23. Eidemiller E. G., Yustitsky V. V. Family psychotherapy: The basic principles and practical experience // International Journal of Family Psychiatry. 1989. Vol. 10 (3-4). Pp. 325-337.

24. Golan A., Harte J. Information theory: A foundation for complexity science // Proceedings of the National Academy of Sciences. 2022. Vol. 119, no. 33. https://doi.org/10.1073/pnas.2119089119.

25. Grossberg S. A. Path Toward Explainable AI and Autonomous Adaptive Intelligence: Deep Learning, Adaptive Resonance, and Models of Perception, Emotion, and Action // Front Neurorobot. 2020. Vol. 14. P. 36. https://doi.org/10.3389/fnbot.2020.00036.

26. Grossberg S. Toward Autonomous Adaptive Intelligence: Building Upon Neural Models of How Brains Make Minds // IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2021. Vol. 51 (1). Pp. 51-75. https://doi.org/10.1109/TSMC.2020.3041476.

27. Grossberg S. A half century of progress toward a unified neural theory of mind and brain with applications to autonomous adaptive agents and mental disorders // Artificial Intelligence in the Age of Neural Networks and Brain Computing (Second Edition). Academic Press, 2024. Pp. 41-59. ISBN 9780323961042. https://doi.org/10.1016/B978-0-323-96104-2.00009-9.

28. Holena M., Pulc P., Kopp M. Classification Methods for Internet Applications. Springer, 2020. 296 p. https://doi.org/10.1007/978-3-030-36962-0.

29. Hurlburt G., Reisman S. Experts Speak Out About Artificial Intelligence in Education: Second of Two Panel Roundtables // Computer. 2024. Vol. 57 (2). Pp. 14-20. https://doi.org/10.1109/MC.2023.3334798.

30. Kantardzic M. Data mining: concepts, models, methods, and algorithms. John Wiley &Sons, 2011. 550 p.

31. Keller J. M., Liu D., Fogel D. B. Fundamentals of computational intelligence neural networks fuzzy systems and evolutionary computation. Wiley-IEEE Press, 2016. 378 p.

32. Kharitonova Y. S. Legal Means of Providing the Principle of Transparency of the Artificial Intelligence // Journal of Digital Technologies and Law. 2023. Vol. 1 (2). Pp. 337-358. https://doi.org/10.21202/jdtl.2023.14.

33. Leonowicz Z., Jasinski M. Machine Learning and Data Mining Applications in Power Systems // Energies. 2022. Vol. 15 (5). P. 1676. https://doi.org/10.3390/en15051676.

34. Rosenblatt F. Principles of neurodymamics. Washington: Spartan books, 1962. 616 p.

35. Rumelhart D. E., Hinton G. E., Williams R. J. Learning Internal Representations by Error Propagation // Parallel Distributed Processing. Cambridge: MA-MIT Press, 1986. Vol. 1. Pp. 318-362. Available at: https://stanford.edu/~jlmcc/papers/PDP/Volume%201/Chap8_PDP86.pdf (accessed: 22.05.2024).

36. Salgado C. M., Fernandes M. P., Horta A., Xavier M., Sousa J. M. C., Vieira S. M. Multistage modeling for the classification of numerical and categorical datasets // International Conference on Fuzzy Systems (FUZZ-IEEE). Naples. Italy, 2017. Pp. 1-6. https://doi.org/10.1109/FUZZIEEE.2017.8015665.

37. Schaefer E. S., Bell R. Q. Development of a parental attitude research instrument // Child Development. 1958. Vol. 29, no. 3. Pp. 339-361. https://doi.org/10.2307/1126348.

38. Schmidhuber J. Deep learning in neural networks: An overview // Neural networks. 2015. Vol. 61. Pp. 85-117. https://doi.org/10.48550/arXiv.1404.7828.

39. Semenov A. L., Kondratiev V. V. Learners as extended minds of the digital age // Информатизация образования и методика электронного обучения: цифровые технологии в образовании: материалы IV Международной научной конференции: в 2 ч. Ч. 2 (Красноярск, 6–9 октября 2020 г.) / под ред. М. В. Носкова. Красноярск: Сибирский федеральный университет, 2020. С. 560-566.

40. Sivaraj Priyadharsini. Stability Analysis of Fractional Nonlinear Dynamical Systems // Debnath P., Torres D. F. M., Cho Yeol Je (eds) Advanced Mathematical Analysis and its Applications. New York, 2023. https://doi.org/10.1201/9781003388678-17.

41. Slavutskaya E., Slavutskii L., Zakharova A., Nikolaev E. Integrated Use of Data Mining Techniques for Personality Structure Analysis // Bylieva D., Nordmann A. (eds) Technology, Innovation and Creativity in Digital Society. PCSF 2021. Lecture Notes in Networks and Systems, vol. 345. Springer, Cham, 2022. Pp. 522-533. https://doi.org/10.1007/978-3-030-89708-6_44.

42. Slavutskaya E., Slavutskii L., Nikolaev E., Zakharova A. Neural Network Models for the Analysis and Visualization of Latent Dependencies: Examples of Psycho Diagnostic Data Processing // Bylieva D., Nordmann A., Shipunova O., Volkova V. (eds) Knowledge in the Information Society. PCSF CSIS 2020 2020. Lecture Notes in Networks and Systems, vol. 184. Springer, Cham, 2021. Pp. 61-70. https://doi.org/10.1007/978-3-030-65857-1_7.

43. Slavutskii L. A., Lazareva N. M., Portnov M. S., Slavutskaya E. V. Neural net without deep learning: signal approximation by multilayer perceptron // Proceedings. SPIE 12564, 2nd International Conference on Computer Applications for Management and Sustainable Development of Production and Industry (CMSD-II-2022), 125640P (5 January 2023). 2023. P. 125640. https://doi.org/10.1117/12.2669233.

44. Slavutskaya E., Vostretsova N., Nikolaev E., Zakharova A., Petunova S. Specifics of Interrelations among Emotional, Personal and Intellectual Characteristics in Preschool Children: Data Mining // Proceedings of the International Scientific Conference on Philosophy of Education, Law and Science in the Era of Globalization (PELSEG 2020). Ekaterinburg: Atlantis Press, 2020. Pp. 415-419. https://doi.org/10.2991/assehr.k.200723.085.