Машинное обучение | StudHouse
  • АЛГОРИТМЫ ОБНАРУЖЕНИЯ УЯЗВИМОСТЕЙ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ

    Уязвимости программного обеспечения (ПО) – один из видов дефектов ПО, не выявленные в ходе тестирования и не декларированные спецификацией разработчика, предоставляющие злоумышленникам исключительные возможности по разглашению информации законных пользователей, ее модификации, блокированию использования и полному уничтожению. Поиск и устранение уязвимостей в ПО требует больших трудозатрат, при этом велика вероятность того, что некоторые уязвимости могут остаться незамеченными. Стоимость устранения дефекта ПО, пропущенного на этапах разработки и тестирования, может возрасти после поставки и эксплуатации программы от 2 до 100 раз.

    В данной работе рассматриваются два алгоритма обнаружения уязвимостей ПО с использованием машинного обучения и дается их сравнительная характеристика.

    АЛГОРИТМЫ-ОБНАРУЖЕНИЯ-УЯЗВИМОСТЕЙ-С-ИСПОЛЬЗОВАНИЕМ-МАШИННОГО-ОБУЧЕНИЯ

    Загрузить документ

  • ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОИСКА УЯЗВИМОСТЕЙ В ПРОГРАММНОМ КОДЕ

    Машинное обучение, уязвимости, ошибки, дефекты, программное обеспечение, машинный код, исходный код.

    В статье рассмотрена возможность применения искусственного интеллекта в области информационной безопасности. Для этого выделено следующее противоречие предметной области: заточенность алгоритмов обнаружения под конкретные уязвимости в коде VS постоянная модификация кода уязвимостей. Для его разрешения рассматривается объект – программное обеспечение с уязвимостями в процессе его разработки, на предмет – способов интеллектуального анализа его характеристик. Предложено гипотетическое решение путем применения Технологии машинного обучения для выявления уязвимостей в программном обеспечении, используемое огромный объем накопленных знаний. Также, приведены возможные признаки представлений программного обеспечения, используемые для работы Технологии.

    ПРИМЕНЕНИЕ-МАШИННОГО-ОБУЧЕНИЯ-ДЛЯ-ПОИСКА-УЯЗВИМОСТЕЙ-В-ПРОГРАММНОМ-КОДЕ

    Загрузить документ

  • ВОЗМОЖНОСТИ GOOGLE COLAB ДЛЯ ИЗУЧЕНИЯ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ И НЕЙРОННЫХ СЕТЕЙ

    Рассматриваются возможности, предоставляемые облачным сервисом Google Colab для изучения технологий машинного обучения и нейронных сетей в образовательных организациях.

    Для обучения бакалавров и магистрантов по дисциплинам, связанными с технологиями машинного обучения и нейронными сетями, входящими в перечень сквозных цифровых  технологий программы цифровая экономика Российской Федерации [1], необходимо специализированное программное обеспечение, например MATLAB, которое поставляется вендорами  даже для образовательных учреждений только платно. Академические версии Deductor Studio и пришедшая ему на смену  Logion имеют ограничения на форматы импортируемых данных  и не поддерживают обучение рекуррентных, рекурсивных и  сверточных нейронных сетей. Бесплатные десктопные версии  Data Science Platform таких как KNIME Analytics Platform,  RapidMiner Studio, H2O.ai имеют только предопределенные модели машинного обучения и ограничения на структуры нейронных сетей. Указанные причины не позволяют в полной мере  использовать теоретические основы бизнес-аналитики и применять в процессе подготовки выпускных квалификационных работ, курсовых проектов по направлению бизнес-информатика  современные технологии цифровой экономики.

    ВОЗМОЖНОСТИ-GOOGLE-COLAB

    Загрузить документ

  • Наделение компьютеров способностью обучаться на данных

    По моему убеждению, машинное обучение как область практической деятельности и как сфера научных исследований алгоритмов, извлекающих смысл из данных, является самой захватывающей отраслью всей информатики! В наш век переизбытка данных при помощи самообучающихся алгоритмов мы можем превратить эти данные в знание. Благодаря тому, что за последние несколько лет были разработаны многочисленные мощные библиотеки с открытым исходным кодом, вероятно, никогда еще не появлялся столь подходящий момент для того, чтобы ворваться в область машинного обучения и научиться использовать мощные алгоритмы, позволяющие обнаруживать в данных повторяющиеся образы и делать прогнозы о будущих событиях.

    В этой главе мы узнаем об общих принципах машинного обучения и его типах.

    Наделение-компьютеров-способностью-обучаться-на-данных

    Загрузить документ

  • Машинное обучение

    Машинное обучение. Основные понятия. Методы, алгоритмы, аспекты машинного обучения.

    Книга представляет собой введение в основные понятия, методы и алгоритмы машинного обучения, которое находится в настоящее время в состоянии исключительно бурного развития и является теоретической основой для проектирования интеллектуальных систем обработки больших данных. В первой части книги излагаются элементарные аспекты машинного обучения: виды задач и моделей машинного обучения, простейшие алгоритмы обучения для линейно разделимых обучающих выборок, методы градиентного спуска и его разновидности, метод обучения нейронных сетей, метод опорных векторов, ядерные методы машинного обучения, регрессионный анализ, метрические и вероятностные модели машинного обучения.

    Машинное-обучение

    Загрузить документ

  • МОДЕЛИРОВАНИЕ ПОКУПАТЕЛЬСКОГО СПРОСА НА ПРЕДПРИЯТИЯХ РОЗНИЧНОЙ ТОРГОВЛИ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

    Машинное обучение. Теоретические основы моделирования. Методология прогнозирования.

    Диссертация на соискание учёной степени кандидата экономических наук.

    Целью диссертационного исследования является теоретическое и практическое развитие прогнозного моделирования покупательского спроса на предприятиях розничной торговли на основе методов машинного обучения.

    Для достижения цели в данной работе необходимо решить следующие исследовательские и практико-ориентированные задачи:

    1. Построить эмпирическую модель прогнозирования товарного спроса на основе данных пространственно-временной выборки.

    2. Построить систему прогнозирования для переменных, которые включены как предикторы в основную модель спроса розничного предприятия.

    3. Разработать программный комплекс для оценки будущего розничного спроса на основе построенной модели прогнозирования.

    МОДЕЛИРОВАНИЕ-ПОКУПАТЕЛЬСКОГО-СПРОСА

    Загрузить документ

  • Прогнозирование объемов продаж для интернет-магазина с помощью методов машинного обучения

    Машинное обучение. Методы машинного обучения. Интернет-магазин. Методы прогнозирования. Методы алгоритмизации и программирования.

    В дипломной работе была разработана система прогнозирования объемов продаж для интернет-магазина с помощью методов машинного обучения. Были рассмотрены теоретические основы построения прогнозирования объемов продаж. Рассмотрены методы прогнозирования на основе алгоритмов случайного леса, градиентного бустинга и метода опорных векторов. Были написаны программы на языке программирования Python 3.5. Произведено тестирование и оценка эффективности разработанной программы.

    Прогнозирование-объемов-продаж-для-интернет-магазина

    Загрузить документ

  • СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧИ КЛАССИФИКАЦИИ ДОКУМЕНТОВ НАУЧНО-ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ

    Методы машинного обучения.

    В данной статье рассматривается актуальная задача классификации документов с использованием методов машинного обучения в рамках предметной области научно-образовательного учреждения.

    Анализ разработок в данной области показал, что достаточной теоретической базы по интеграции существующих методов классификации для анализа документов научно-образовательного учреждения не разработано.

    Поэтому для решения поставленной задачи сформирован алгоритм классификации документов, учитывающий специфику документов рассматриваемой предметной области научно-образовательного учреждения. В статье рассматривается система признаков, используемая для решения задачи комбинированной классификации.

    Рассмотрен подход предварительной обработки текста, позволяющий при использовании известных методах машинного обучения повысить точность и быстродействие классификации документов.

    СРАВНИТЕЛЬНЫЙ-АНАЛИЗ-МЕТОДОВ-МАШИННОГО-ОБУЧЕНИЯ

    Загрузить документ

  • МЕТОДЫ АВТОМАТИЗАЦИИ МАШИННОГО ОБУЧЕНИЯ

    Автоматизация машинного обучения. Машинное обучение. Scikit-learn Python.

    Для усвоения учебного материала при самостоятельной работе студентов в пособии изложены систематичные и теоретически обоснованные знания, связанные с общими задачами применения методов машинного обучения. Также пособие содержит указания к выполнению лабораторных работ, позволяющих получить практические навыки автоматизации машинного обучения. В качестве программного обеспечения для выполнения лабораторных работ предлагается использовать библиотеку «Scikit-learn» языка «Python», но указанные задания могут быть выполнены и в других программных комплексах.

    МЕТОДЫ-АВТОМАТИЗАЦИИ-МАШИННОГО-ОБУЧЕНИЯ

    Загрузить документ

  • Применение методов машинного обучения для решения задачи NLP классификации текста на основе анализа семантики естественного языка

    В статье рассматриваются основные методы машинного обучения для решения бизнес-задачи NLP классификации текста на основе анализа семантики естественного языка. В условиях конкуренции оперативный контроль за потоками поступающих данных является жизненно необходимым.

    Значительные объемы данных становятся причиной для поиска ответа на сложные аналитические задачи, результат решения которых способен оказать влияние на руководителей и определить векторы развития и направления роста бизнеса на ближайшую и долгосрочную перспективы.

    Актуальной темой последнего времени является практическая возможность применения методов машинного обучения для решения поставленных бизнес-задач. Одной из наиболее востребованных является задача, связанная с пониманием текста и его дальнейшей обработки.

    Автор, в рамках работы в ПАО «Ростелеком», разработал модели машинного обучения, основанные на анализе семантики естественного языка для классификации наименований доходных закупок в целях подготовки аналитической отчетности и ее оперативного предоставления высшему руководству для принятия управленческих решений. В заключении проведен расчет экономической эффективности проекта разработки модели машинного обучения в рамках анализа доходной части, выражающейся в экономии денежных средств.

    Применение-методов-машинного-обучения-для-решения-задачи

    Загрузить документ