Цель работы – анализ средств для интерпретирования моделей машинного обучения и их практического применения для интерпретирования результатов моделей машинного обучения при анализе табличных данных. Объект исследования – средства для интерпретирования моделей машинного обучения. Методы исследования: теоретический анализ литературы по теме исследования, изучение документации библиотек машинного обучения, классификация исследуемых методов, экспериментальный включающий проведение исследовательского анализа данных, обучение моделей машинного обучения и применение интерпретирования, обобщение полученных данных и их сравнение. Результаты работы: подготовлен обзор и практическое руководство по интерпретации результатов машинного обучения для табличных данных. Выпускная квалификационная работа выполнена в текстовом редакторе Microsoft Word и представлена в твердой копии. / The purpose of the work is to analyze tools for interpreting machine learning models and their practical application for interpreting the results of machine learning models when analyzing tabular data. The object of study is tools for interpreting machine learning models. Research methods: theoretical analysis of literature on the research topic, study of documentation of machine learning libraries, classification of methods being studied, experimental, including conducting exploratory data analysis, training machine learning models and applying interpretation, summarizing the data obtained and comparison. their. Results of the work: a review and practical guidance on interpreting the results of machine learning of tabular data has been prepared. The final qualifying work was completed in the text editor Microsoft Word and presented on paper.

No description available.

No description available.

Объект исследования: является процесс обучения MLOps. Цель работы: состоит в создании учебно-практического комплекса для дисциплины «Автоматизация машинного обучения» для обучения студентов основным инструментам и технологиям автоматизации машинного обучения с возможностью дальнейшего применения полученных знаний в профессиональной деятельности. Для достижения поставленной цели необходимо решить следующие задачи. Методы исследования включают в себя: Анализ методических документов, сравнение используемых технологий, систематизацию и обобщение данных о существующих онлайн-курсах по дисциплине «Автоматизация машинного обучения»; Анализ современных программных инструментов, позволяющих выполнить и ускорить процесс автоматизации машинного обучения. / Object of study: is the MLOps learning process. The purpose of the work: is to create an educational and practical complex for the discipline “Automation of Machine Learning” to teach students the basic tools and technologies of machine learning automation with the possibility of further application of the acquired knowledge in professional activities. To achieve this goal, it is necessary to solve the following tasks. Research methods include: Analysis of methodological documents, comparison of the technologies used, systematization and synthesis of data on existing online courses in the discipline “Automation of Machine Learning”; Analysis of modern software tools that allow you to perform and speed up the process of automating machine learning.

В диссертации были изучены особенности использования методов машинного обучения в сфере страхования. Рассмотрены возможности архитектурного подхода в разработке модели машинного обучения. Осуществлен анализ тенденций цифровой трансформации сферы страхования. Осуществлена оценка результативности использования машинного обучения в страховании. Построена полная модель архитектуры ПАО СК «Росгосстрах». Разработана аналитическая модель машинного обучения в сфере тарификации страховой компании. На основе процессного подхода детально рассмотрены все фазы проекта по внедрению модели машинного обучения в деятельность страховой компании. Разработана и реализована имитационная модель управления проектом разработки и внедрения модели машинного обучения в деятельность страховой компании на основе различных сценарием. / The dissertation studied the features of using machine learning methods in the field of insurance. The possibilities of the architectural approach in the development of a machine learning model are considered. The analysis of trends in the digital transformation of the insurance industry has been carried out. The effectiveness of the use of machine learning in insurance has been evaluated. A complete model of the architecture of PJSC IC Rosgosstrakh was built. An analytical model of machine learning in the field of tariffing of an insurance company has been developed. Based on the process approach, all phases of the project to introduce a machine learning model into the activities of an insurance company are considered in detail. A simulation model for project management for the development and implementation of a machine learning model in the activities of an insurance company has been developed and implemented based on various scenarios.

Актуальность и важность исследования автоматизированной системы распознавания эмоций по лицу человека с использованием глубоко разделяемой сверточной нейронной сети во многом определяются использованием преимуществ методов глубокого обучения. Таким образом, для модели с хорошей точностью настройка гиперпараметров является важным аспектом процесса глубокого обучения, а оптимизация поможет в разработке хорошего распознавания эмоций по лицу. Целью диссертации является разработка модели глубокого обучения для распознавания эмоций по лицу с использованием алгоритма сверточной нейронной сети и многоклассовой классификации, а также настройки гиперпараметров с использованием оптимизации ускоренного градиента Нестерова (NAG) для повышения производительности модели глубокого обучения. Целью данной работы является проведение экспериментальных исследований по разработке модели глубокого обучения для определения эмоций человеческого лица на основе черт лица с использованием TensorFlow. Предметом является применение методов машинного обучения для анализа автоматизированной системы распознавания эмоций по лицу человека с использованием DS-CNN. Научная новизна предлагаемой работы заключается в создании нового набора данных по эмоциям лица, который доступен на сайте Kaggle. Во-вторых, для увеличения нелинейности использовались слои глубинной свертки, точечной свертки и глобального среднего пула. И, наконец, алгоритм оптимизации ускоренного градиента Нестерова (NAG) использовался для ускорения обучения и улучшения скорости сходимости. Практическая значимость работы заключается в том, что эта работа позволяет нам разработать модель глубокого обучения с использованием сверточной нейронной сети вместе с многоклассовой классификацией и предлагаемым набором данных, где данные будут предварительно обработаны, а модель DL будет обучена с помощью набора поездов и проверено с помощью тестового набора. Разработанная методология распознает четыре основные эмоции в изображениях людей, такие как счастье, удивление, нейтральность и злость, используя наш предлагаемый набор данных, где эксперимент будет проводиться с предлагаемым набором данных, который доступен на веб-сайте Kaggle. А данные будут оцениваться с помощью статистического анализа с помощью корреляции. Размеченные данные будут предварительно обработаны, а набор данных будет разделен на 3 пары обучающих, проверочных и тестовых наборов различного размера. Модель глубокого обучения будет обучаться с каждым обучающим набором, чтобы найти правильный обучающий размер набора данных, обеспечивающий максимальную точность обучения. Модель глубокого обучения будет проверена с помощью тестового набора для определения наилучшей точности теста, а полученные результаты эксперимента будут проанализированы. / The relevance and importance of the study of automated human facial emotion recognition system using Depthwise Separable Convolutional Neural Network are largely determined by utilizing the benefits of deep learning techniques. So, for a good accuracy model, hyper parameter tuning is an essential aspect of the deep learning process and Optimization will help in developing a good facial emotion recognition. The aim of the thesis is to develop a deep learning model for facial emotion recognition using Convolutional Neural Network algorithm and Multiclass Classification along with Hyper-parameter tuning using Nesterov’s Accelerated Gradient (NAG) Optimization to improve the performance of the deep learning model. The objective of this work is to deal with experimental research to develop a deep learning model to identify the emotion of a human face based on facial features using TensorFlow. The subject is the application of machine learning methods to analyze the automated human facial emotion recognition system using DS-CNN. The scientific novelty of the proposed work is the creation of a new facial emotion dataset which is available on the Kaggle website. Secondly, Depthwise convolutional, pointwise convolutional, and global average pooling layers have been used to increase the nonlinearity. And finally, the Nesterov’s Accelerated Gradient (NAG) optimization algorithm has been used to speed up the training and improve the convergence rate. The practical significance of the work lies in the fact that this work allows us to develop a deep learning model using convolutional neural network along with multiclass classification and proposed dataset where the data will be preprocessed and the DL model will be trained with the train set and validated with the test set. The developed methodology recognizes four basic emotions in images of human beings such as happy, surprise, neutral, and angry using our proposed dataset where experiment will be performed on the proposed dataset which is available on Kaggle website. And the data will be evaluated using statistical analysis with the help of correlation. The labeled data will be pre-processed and the dataset will be split into 3 pairs of training, validation and testing sets of varying sizes. The deep learning model will be trained with each training set to find the proper training size of the dataset which gives highest training accuracy. The deep learning model will be validated with the test set to find the best test accuracy and the obtained results of the experiment will be analyzed.

В работе была произведена разработка модели машинного обучения на языке программирования Python, а также проведена ее валидация на этапах жизненного цикла. Целью создания модели машинного обучения является прогнозирование магнитных свойств нанокристаллических сплавов на основе железа по химическому составу и условиям обработки. Процесс валидации модели машинного обучения позволяет не только произвести контроль за соблюдением требований, предъявляемых при разработке и эксплуатации модели, к результатам, полученных с помощью моделирования, но и способствует внедрению модели в процесс производства. Процесс валидации включал в себя валидацию данных, в ходе которой были оценены типы, пропуски данных, соответствие цели исследования, распределения признаков и целевых характеристик, изучены корреляции признаков и целевых характеристик; валидацию алгоритмов, применяемых в модели: были проанализированы параметры алгоритмов с целью соблюдения требования о корректной обобщающей способности модели (отсутствие недо- и переобучения); оценку работы модели, благодаря которой был произведен анализ полученных результатов с помощью тестовых данных; верификацию результатов с помощью актуальных данных, полученных из статей, опубликованных с 2010 по 2022 год. В результате валидации модели было показано высокое качество разработанной модели, позволяющее получить оценки качества R2 0,65 и выше. / In this work machine learning model was developed by Python programming language, and also was validated at stages of model’s life cycle. The purpose of creating the machine learning model is to predict the magnetic properties of Fe-based nanocrystalline alloys by chemical composition and processing conditions. The validation of machine learning models allows not only to control the requirements for development and operation of the models, for the results obtained by modeling, but also contrib¬utes to the introduction of the model into production process. The validation process included: data validation: data types and omissions, compliance with the purpose of the study, dis¬tribution of features and target characteristics were evaluated, correlations of features and target characteristics were studied; flgorithms validation: the parameters of the algorithms were analyzed in order to comply with the requirement for the correct generalizing ability of the model (without under- and overfit¬ting); evaluation of the model work: the analysis of the obtained results was carried out using test data; verification of results using actual data obtained from articles published since 2010 to 2022. As a result of the model validation, the high quality of the developed model was shown, which makes it possible to obtain quality metric R2 0.65 and higher.

Цель работы – разработка модели машинного обучения для автоматического сопоставления описаний продуктов, представленных в текстовом виде с внутренними кодами компании. Объект исследования – бизнес-процесс сопоставления описаний продуктов с внутренними кодами компании. Методы исследования: предварительная обработка данных, анализ данных, выбор и обучение модели машинного обучения, оценка производительности модели. Результаты работы: разработана и обучена модель машинного обучения на основе алгоритма CatBoost для автоматического сопоставления описаний продуктов с внутренними кодами компании. Модель показала высокую точность и полноту при тестировании. Созданная модель машинного обучения внедрена в продуктивное использование компании АО «Сони Электроникс» и позволяет сокращать ресурсы аналитиков в существенном объеме. Выпускная квалификационная работа выполнена в текстовом редакторе Microsoft Word и представлена в электронном и печатном виде. / The goal of the work is to develop a machine learning model for automatically comparing product descriptions presented in text form with the company’s internal codes. The object of study is the business process of comparing product descriptions with internal company codes. Research methods: data preprocessing, data analysis, selection and training of a machine learning model, evaluation of model performance. Results of the work: a machine learning model based on the CatBoost algorithm was developed and trained to automatically compare product descriptions with internal company codes. The model showed high accuracy and completeness during testing. The created machine learning model has been put into productive use by Sony Electronics JSC and makes it possible to reduce analyst resources to a significant extent. The final qualifying work was completed in the text editor Microsoft Word and presented in electronic and printed form.

Данная магистерская диссертация посвящена проблеме передачи средств речевой выразительности в художественном тексте при помощи машинного перевода. Рассматриваются современные технологии машинного перевода, специфика перевода художественных текстов и классификация тропов и фигур. В рамках исследования осуществляется сопоставление «способностей» трех автоматизированных систем (Яндекс.Переводчик, Google Translate и PROMT.One) передавать средства выразительности речи на материале романа Дж. К. Роулинг «Гарри Поттер и философский камень». / This master’s thesis studies the problem of rendering the means of speech expressiveness in a literary text using machine translation. There are considered modern machine translation technologies, the specific features of literary texts translation and the classification of tropes and figures. Based on the novel “Harry Potter and the Philosopher’s Stone” by J. K. Rowling, the study compares the “abilities” of three automated systems (Yandex.Translate, Google Translate and PROMT.One) to identify stylistic devices in the source language and reproduce them in the target language.

Диссертационное исследование посвящено изучению методов обучения переводу в контексте делового английского языка. Работа включает в себя теоретический аспект с последующим его применением на практике. Экспериментальная часть исследования посвящена апробации традиционных и инновационных методов обучения переводу среди студентов. / The dissertation research is devoted to the study of methods of teaching translation in the context of business English. The work includes a theoretical aspect with its subsequent application in practice. The experimental part of the study is devoted to testing traditional and innovative methods of teaching translation among students.