Исследование методов модельной оценки свойств нефтяного кокса по параметрам сырья и технологического режима

Authors: В. В. Бухтояров, А. А. Городов, О. А. Коленчуков

Source: Современные инновации, системы и технологии, Vol 5, Iss 4 (2025)

Subject Terms: нефтяной кокс, прогноз свойств, машинное обучение, многослойный персептрон, градиентный бустинг, метод опорных векторов, Technology (General), T1-995

File Description: electronic resource

Relation: https://oajmist.com/index.php/12/article/view/400; https://doaj.org/toc/2782-2826; https://doaj.org/toc/2782-2818

Access URL: https://doaj.org/article/bff108b3e43d404ab60514b861d935e2

Constructing twitter corpus of Iraqi Arabic Dialect (CIAD) for sentiment analysis

Authors: M. M. Hassoun Al-Jawad, H. Alharbi, A. Almukhtar, A. A. Alnawas

Source: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 2, Pp 308-316 (2024)

Subject Terms: анализ настроений, интеллектуальный анализ данных, метод опорных векторов, поведение пользователей, интеллектуальный анализ социальных сетей, Information technology, T58.5-58.64

File Description: electronic resource

Relation: https://ntv.elpub.ru/jour/article/view/163; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373

Access URL: https://doaj.org/article/a1df04b39783441e949b1043386fba68

Detection of quadcopter propeller failure by machine learning methods

Authors: I. I. Kirilenko, E. A. Kosareva, A. A. Nikolaev, A. M. Zenkin, I. M. Selezneva, N. A. Nikolaev

Source: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 2, Pp 385-391 (2024)

Subject Terms: беспилотная авиационная система, квадрокоптер, машинное обучение, детектирование поломки винта, метод опорных векторов, дерево решений, k-ближайших соседей, многослойный персептрон, Information technology, T58.5-58.64

File Description: electronic resource

Relation: https://ntv.elpub.ru/jour/article/view/174; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373

Access URL: https://doaj.org/article/0dfa19667daf4b92a5f98c9d3440448b

A method of detecting information security incidents based on anomalies in the user’s biometric behavioral characteristics

Authors: D. A. Esipov, N. Aslanova, E. E. Shabala, D. S. Shchetinin, I. Yu. Popov

Source: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 4, Pp 760-768 (2024)

Subject Terms: обнаружение и реагирование на угрозы на конечных точках, клавиатурный почерк, цифровая метрика, машинное обучение, обнаружение аномалий, метод опорных векторов, алгоритм изолирующего леса, алгоритм эллипсоидальной аппроксимации данных, Information technology, T58.5-58.64

File Description: electronic resource

Relation: https://ntv.elpub.ru/jour/article/view/220; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373

Access URL: https://doaj.org/article/3aae7c8b883d482789f6704385c5d8ec

MACHINE LEARNING ALGORITHMS IN ASSESSING GENETIC PREDISPOSITION TO LUNG CANCER AMONG COAL MINES WORKERS IN THE KEMEROVO REGION ; АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ В ОЦЕНКЕ ГЕНЕТИЧЕСКОЙ ПРЕДРАСПОЛОЖЕННОСТИ К РАКУ ЛEГКИХ У РАБОТНИКОВ УГОЛЬНЫХ ШАХТ

Authors: Колесникова, Татьяна Геннадьевна, Черноусов, Михаил Евгеньевич, Минина, Варвара Ивановна, Вылегжанина, Алина Владимировна, Минин, Артем Вячеславович, Баканова, Марина Леонидовна

Source: Medicine in Kuzbass; Том 24, № 4 (2025): декабрь ; Медицина в Кузбассе; Том 24, № 4 (2025): декабрь ; 2588-0411 ; 1819-0901

Subject Terms: lung cancer, genetic predisposition, text vectorization, machine learning algorithms, decision tree, random forest, logistic regression, support vector machine, method KNN, рак легких, генетическая предрасположенность, векторизация текста, алгоритмы машинного обучения, дерево решений, случайный лес, логистическая регрессия, метод опорных векторов, метод k ближайших соседей

Relation: http://mednauki.ru/index.php/MK/article/view/1274

Availability: http://mednauki.ru/index.php/MK/article/view/1274

Determining emotional intelligence standards by development and implementation of a software system using machine learning (ML) models ; Развитие стандартов оценки эмоционального интеллекта с применением программных комплексов и моделей машинного обучения (ML)

Authors: Амирханян, Д. А., Чшмаритян, М. С., Асриян, Э. В., Саргсян, С. Г.

Source: System Analysis in Science and Education = Sistemnyj analiz v nauke i obrazovanii; No. 2 (2025); 42-48 ; Системный анализ в науке и образовании; № 2 (2025); 42-48 ; 2071-9612

Subject Terms: искусственный интеллект, машинное обучение, эмоциональный интеллект, эмоциональный коэффициент, метод опорных векторов, нейронная сеть, Python, Artificial Intelligence, Machine Learning, Emotional Intelligence, Emotional Quotient, Support Vector Machine, Neural Network

File Description: application/pdf

Relation: https://sanse.ru/index.php/sanse/article/view/663/630; https://sanse.ru/index.php/sanse/article/view/663

Availability: https://sanse.ru/index.php/sanse/article/view/663

Transfer learning based feature selection for feedforward neural network for speech emotion classifier ; Отбор признаков на основе техники переноса обучения для классификации эмоций в речи с помощью полносвязной нейронной сети прямого распространения

Authors: D. V. Krasnoproshin, M. I. Vashkevich, Д. B. Краснопрошин, М. И. Вашкевич

Source: «System analysis and applied information science»; № 1 (2025); 38-43 ; Системный анализ и прикладная информатика; № 1 (2025); 38-43 ; 2414-0481 ; 2309-4923 ; 10.21122/2309-4923-2025-1

Subject Terms: метод опорных векторов, feature selection, MFCC, neural networks, linear discriminant analysis, support vector machine, отбор признаков, МЧКК, нейронные сети, линейный дискриминантный анализ

File Description: application/pdf

Relation: https://sapi.bntu.by/jour/article/view/729/528; Issa D. Speech emotion recognition with deep convolutional neural networks / D. Issa, M. Demirci, A. Yazici // Biomedical Signal Processing and Control. – 2020. – Vol. 59. – Pp. 1-11.; Baruah M., Banerjee B. Speech emotion recognition via generation using an attention-based variational recurrent neural network // Proceedings of the INTERSPEECH. – 2022. – Pp. 4710-4714.; Краснопрошин Д.В., Вашкевич М.И. Метод распознавания эмоций в речевом сигнале с использованием машины опорных векторов и надсегментных акустических признаков // Доклады БГУИР. – 2024. – Т. 22. – № 3. – С. 93-100.; Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / пер. с англ. А.А. Слинкина. М.: ДМК Пресс, 2015. 400 с.; Tsanas A. et al. Novel speech signal processing algorithms for high-accuracy classification of Parkinson's disease // IEEE transactions on biomedical engineering. – 2012. – Т. 59. – № 5. – P. 1264-1271.; Huang S. H. Supervised feature selection: A tutorial //Artif. Intell. Res. – 2015. – Т. 4. – № 2. – С. 22-37.; Джеймс Г. и др. Введение в статистическое обучение с примерами на языке R / Г. Джеймс, Д. Уиттон, Т. Хасти, Р. Тибширани //М.: ДМК Пресс, 2016. – 450 с.; Pichora-Fuller, M. Kathleen, and Kate Dupuis. Toronto Emotional Speech Set (TESS). Borealis, 2020. https://doi.org/10.5683/SP2/E8H2MF; Livingstone, Steven R., and Frank A. Russo. The Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). Zenodo, 2018. https://doi.org/10.5281/zenodo.1188975; Luna-Jiménez C. Multimodal emotion recognition on RAVDESS dataset using transfer learning / C. Luna-Jiménez, Griol, Z. Callejas, R. Kleinlein, J. M. Montero, F. Fernández-Martínez // Sensors. – 2021. – Vol. 22. – Pp. 1–29.; https://sapi.bntu.by/jour/article/view/729

Availability: https://sapi.bntu.by/jour/article/view/729
https://doi.org/10.21122/2309-4923-2025-1-38-43

Применения методов машинного обучения для анализа и оценки эмоциональной окраски текста

Subject Terms: обработка естественного языка, оценка эмоциональной окраски текста, эмоциональная окраска текста, метод опорных векторов (SVM), логистическая регрессия, методы машинного обучения, наивный байесовский классификатор

File Description: application/pdf

Access URL: https://elib.belstu.by/handle/123456789/68089

Вариация симметричных признаков в листовой пластине Липы мелколистной

Source: Journal of Bioinformatics and Genomics, Vol 25, Iss 3 (2024)

Subject Terms: support vector method, fluctuating asymmetry, Genetics, QH426-470, метод опорных векторов, correlation coefficient, коэффициент корреляции, флуктуирующая асимметрия

Access URL: https://doaj.org/article/013bab364f454a5aae07473658df287e

Использование машинного обучения для прогнозирования производительности полевого персонала

Subject Terms: снижение затрат, 8. Economic growth, повышение эффективности работы, анализ данных, полевой персонал, прогнозирование производительности, регрессионный анализ, нейронные сети, машинное обучение, метод опорных векторов (svm)

Использование машинного обучения для прогнозирования производительности полевого персонала

Subject Terms: снижение затрат, 8. Economic growth, повышение эффективности работы, анализ данных, полевой персонал, прогнозирование производительности, регрессионный анализ, нейронные сети, машинное обучение, метод опорных векторов (svm)

РЕШЕНИЕ ЗАДАЧ ДИАГНОСТИКИ ДИАБЕТА С ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ

Subject Terms: машинное обучение, линейная регрессия, модель наивного байесовского классификатора, метод опорных векторов, среднеквадратическая ошибка, коэффициент детерминации

РЕШЕНИЕ ЗАДАЧ ДИАГНОСТИКИ ДИАБЕТА С ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ

Subject Terms: машинное обучение, линейная регрессия, модель наивного байесовского классификатора, метод опорных векторов, среднеквадратическая ошибка, коэффициент детерминации

РЕШЕНИЕ ЗАДАЧ ДИАГНОСТИКИ ДИАБЕТА С ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ

Subject Terms: среднеквадратическая ошибка, коэффициент детерминации, линейная регрессия, метод опорных векторов, машинное обучение, модель наивного байесовского классификатора

РЕШЕНИЕ ЗАДАЧ ДИАГНОСТИКИ ДИАБЕТА С ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ

Subject Terms: среднеквадратическая ошибка, коэффициент детерминации, линейная регрессия, метод опорных векторов, машинное обучение, модель наивного байесовского классификатора

Применение методов машинного обучения в агентном моделировании

Subject Terms: k ближайших соседей, градиентный бустинг, случайный лес, нейронные сети, гауссовский процесс, графовые нейронные сети, метод опорных векторов, агентное моделирование, машинное обучение, деревья принятия решений

Применение методов машинного обучения в агентном моделировании

Subject Terms: k ближайших соседей, градиентный бустинг, случайный лес, нейронные сети, гауссовский процесс, графовые нейронные сети, метод опорных векторов, агентное моделирование, машинное обучение, деревья принятия решений

Определение эффективности рекламной кампании с использованием аффективных вычислений

Subject Terms: аффективные вычисления, метод опорных векторов, мешок слов, эффективность рекламной кампании, маркетинг

Определение эффективности рекламной кампании с использованием аффективных вычислений

Subject Terms: аффективные вычисления, метод опорных векторов, мешок слов, эффективность рекламной кампании, маркетинг

ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ СТАТИСТИЧНОГО АНАЛІЗУ ТА ПРОГНОЗУВАННЯ КІБЕРСПОРТИВНОЇ ГАЛУЗІ

Authors: Kuzmenko, Olha Vitaliivna, Mynenko, Serhii Volodymyrovych, Hrytsenko, Kostiantyn Hryhorovych, Yatsenko, Valerii Valeriiovych

Source: MEASURING AND COMPUTING DEVICES IN TECHNOLOGICAL PROCESSES. :126-132

Subject Terms: кіберспорт, 0209 industrial biotechnology, SVM, киберспорт, машинне навчання, киберспортивная индустрия, 02 engineering and technology, e-sports, метод опорных векторов, машинное обучение, метод опорних векторів, кіберспортивна індустрія, machine learning, e-sports industry, 0203 mechanical engineering, reference vector method

File Description: application/pdf

Access URL: https://essuir.sumdu.edu.ua/handle/123456789/86137