ЗИЯТКЕРЛІК АҚПАРАТТЫҚ ЖҮЙЕЛЕРДЕ ҚОЛДАНЫЛАТЫН ӨЗІН-ӨЗІ БЕЙІМДЕЛЕТІН МАШИНАЛЫҚ ОҚЫТУ МОДЕЛЬДЕРІ

Аңдатпа

Зерттеу деректер ағындарындағы концептуалдық дрейф жағдайында сенімді аналитиканы қамтамасыз етуге бағытталған бейімделмелі машиналық оқыту стратегияларын зерттеуге арналған. Қазіргі интеллектуалды ақпараттық жүйелерде деректер ағындарының таралуы жиі өзгеріп отырады, бұл дәстүрлі статикалық модельдердің болжамдық дәлдігін айтарлықтай төмендетуі мүмкін. Осы мәселені шешу мақсатында жұмыста бейімделмелі оқыту тәсілдерінің бірнеше түрі жүйелі түрде салыстырылады, соның ішінде статикалық модельдер, онлайн-оқыту әдістері, деректер дрейфін ескеретін алгоритмдер және терең бейімделмелі модельдер. Эксперименттік зерттеулер барысында концептуалдық дрейф оқиғалары арнайы модельденген ағындық деректер жиынтықтары пайдаланылды, бұл динамикалық түрде өзгеретін ақпараттық орталарды имитациялауға мүмкіндік береді. Әртүрлі әдістердің тиімділігін бағалау үшін бірыңғай эксперименттік негіздеме қолданылды, ол болжам дәлдігін, дрейфке төзімділікті, өзгерістерден кейінгі қалпына келу жылдамдығын, уақыттық тұрақтылықты және есептеу ресурстарының тиімділігін талдауды қамтиды. Эксперимент нәтижелері статикалық модельдердің деректер таралуының өзгерістеріне өте сезімтал екенін және олардың болжамдық дәлдігі тез төмендейтінін көрсетті. Онлайн-оқыту әдістері белгілі бір деңгейде бейімделуді қамтамасыз етеді, ал дрейфті ескеретін алгоритмдер мен терең бейімделмелі модельдер жоғары тұрақтылықты, тезірек қалпына келуді және ұзақ мерзімді болжам тұрақтылығын қамтамасыз етеді. Сонымен қатар жүйелік талдау адаптивті аналитикалық жүйелерді жобалау кезінде болжам дәлдігі, өңдеу кідірісі және есептеу ресурстары арасындағы теңгерімді сақтаудың маңыздылығын көрсетеді. Алынған нәтижелер дрейфті анықтау механизмдері мен модельдерді бейімделмелі жаңарту әдістерін қолдану динамикалық деректер ағындары бар интеллектуалды жүйелерде сенімді нақты уақыт аналитикасын қамтамасыз етудің негізгі шарты екенін дәлелдейді.