Архитектуры нейронных сетей для систем прогнозирования
Ключевые слова:
искусственный интеллект, ии, нейронные сети, прогнозирование, полносвязные нейронные сети, рекуррентные нейронные сети, сверточные нейронные сети, анализ данных.Аннотация
В данной статье рассматривается роль искусственного интеллекта (ИИ) и архитектур нейронных сетей в современном мире цифровой трансформации, особенно в контексте прогнозирования в различных областях, включая финансы, медицину, энергетику и климатические исследования. Статья акцентирует внимание на значительном вкладе ИИ в улучшение анализа данных и предсказательной аналитики, обусловленном быстрым развитием и широким распространением технологий искусственного интеллекта. Основной акцент делается на изучении различных типов архитектур нейронных сетей, включая полносвязные (FNN), сверточные (CNN) и рекуррентные (RNN) сети, их принципы работы, преимущества и ограничения. Анализируется применение этих архитектур в разнообразных сценариях прогнозирования, подчеркивая их практическую значимость и эффективность. Отдельное внимание уделяется текущим вызовам и будущим направлениям развития в области нейронных сетей, включая вопросы обработки больших объемов данных, вычислительных ресурсов, переобучения, прозрачности и интерпретируемости, а также интеграции с другими областями ИИ. Статья направлена на предоставление всестороннего понимания того, как различные типы архитектур нейронных сетей могут быть использованы для улучшения точности и эффективности прогностических моделей. Она рассматривает не только современное состояние нейронных сетей в системах прогнозирования, но и выявляет перспективные направления для дальнейших исследований и инноваций в этой области. Статья предназначена для широкого круга читателей, интересующихся областью искусственного интеллекта и его применения в различных сферах прогнозирования.
Библиографические ссылки
Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning. 2016. MIT Press.
Aggarwal, C. Neural Networks and Deep Learning: A Textbook. 2018. Springer.
Hyndman, R. J., & Athanasopoulos, G. Forecasting: Principles and Practice. 2nd ed., 2018. OTexts.
Lewis, N. D. Neural Networks for Time Series Forecasting with R. 2017. CreateSpace Independent Publishing Platform.
Witten, I. H., Frank, E., & Hall, M. A. Data Mining: Practical Machine Learning Tools and Techniques. 4th ed., 2016. Morgan Kaufmann.
Murphy, K. P. Machine Learning: A Probabilistic Perspective. 2012. The MIT Press.
Krizhevsky, A., Sutskever, I., & Hinton, G. ImageNet Classification with Deep Convolutional Neural Networks. 2012. Neural Information Processing Systems (NIPS).
Hochreiter, S., & Schmidhuber, J. Long Short-Term Memory. 1997. Neural Computation.
Vaswani, A., et al. Attention Is All You Need. 2017. 31st Conference on Neural Information Processing Systems (NIPS).
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2023 С.А. Базаров, Н.И. Томилова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-ShareAlike» («Атрибуция — Некоммерческое использование — На тех же условиях») 4.0 Всемирная.
