RU2016136413A - Способ и система обучения алгоритма машинного обучения - Google Patents
Способ и система обучения алгоритма машинного обучения Download PDFInfo
- Publication number
- RU2016136413A RU2016136413A RU2016136413A RU2016136413A RU2016136413A RU 2016136413 A RU2016136413 A RU 2016136413A RU 2016136413 A RU2016136413 A RU 2016136413A RU 2016136413 A RU2016136413 A RU 2016136413A RU 2016136413 A RU2016136413 A RU 2016136413A
- Authority
- RU
- Russia
- Prior art keywords
- target
- value
- server
- trial
- output value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims 131
- 238000010801 machine learning Methods 0.000 title claims 4
- 239000013598 vector Substances 0.000 claims 26
- 230000006870 function Effects 0.000 claims 24
- 238000004519 manufacturing process Methods 0.000 claims 19
- 230000000977 initiatory effect Effects 0.000 claims 2
- 238000012417 linear regression Methods 0.000 claims 2
- 238000007477 logistic regression Methods 0.000 claims 2
- 229910000831 Steel Inorganic materials 0.000 claims 1
- 238000005275 alloying Methods 0.000 claims 1
- 239000010959 steel Substances 0.000 claims 1
- 238000003860 storage Methods 0.000 claims 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Claims (98)
1. Способ обучения алгоритма машинного обучения (Machine Learning Algorithm, MLA), способ выполняется на сервере, причем сервер реализует MLA, способ включает в себя:
• создание сервером обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности, причем создание обучающей выборки включает в себя:
ο создание сервером множества векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество идентифицированных признаков промышленного процесса в данных истории;
ο извлечение сервером множества выходных значений из данных истории, причем каждое выходное значение в множестве выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве векторов признаков;
ο идентификацию сервером соответствующего значения целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором;
ο определение сервером функции регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением;
ο определение сервером расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции регрессии;
ο определение сервером расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;
• обучение сервером MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем
обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA.
2. Способ по п. 1, в котором способ также включает в себя хранение сервером функции регрессии в хранилище.
3. Способ по п. 2, в котором способ дополнительно включает в себя после указанного обучения:
• получение сервером функции регрессии из хранилища;
• получение сервером текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением целевого признака процесса;
• определение сервером первого пробного расчетного выходного значения для первого пробного значения целевого признака процесса на основе функции регрессии;
• определение сервером первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса и первого пробного значения целевого признака процесса в обученный MLA;
• определение сервером первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;
• определение сервером второго пробного расчетного выходного значения для второго пробного значения целевого признака процесса на основе функции регрессии;
• определение сервером второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и второго пробного значения целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса и второго пробного значения целевого признака процесса в обученный MLA;
• определение сервером второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и
• отбор сервером данного из первого пробного значения целевого признака процесса и второго пробного значения целевого признака процесса как текущего значения целевого признака процесса на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.
4. Способ по п. 3, в котором способ дополнительно включает в себя инициацию сервером выполнения производственного процесса с текущими значениями набора признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения.
5. Способ по п. 4, в котором способ дополнительно включает в себя определение сервером первого пробного значения и второго пробного значения на основе данных истории.
6. Способ по п. 1, в котором функция регрессии является одной из следующих:
• линейной регрессией;
• дробно-линейной регрессией;
• логистической регрессией;
• полиномиальной регрессией;
• гребневой регрессией;
• лассо-регрессией.
7. Способ по п. 1, способ включает в себя:
ο идентификацию соответствующего значения первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором;
ο определение сервером планарной функции регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением;
ο определение сервером расчетного выходного значения для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции регрессии; и
ο определение сервером расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;
• обучение сервером MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA.
8. Способ по п. 7, в котором способ дополнительно включает в себя после указанного обучения:
• получение сервером планарной функции регрессии из хранилища;
• получение сервером текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество
идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса;
• определение сервером первого пробного расчетного выходного значения для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции регрессии;
• определение сервером первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA;
• определение сервером первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;
• определение сервером второго пробного расчетного выходного значения для второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса на основе планарной функции регрессии;
• определение сервером второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA;
• определение сервером второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и
• отбор сервером первых пробных значений или вторых пробных значений как текущей пары значений для первого целевого признака процесса и второго
целевого признака процесса, соответственно, на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.
9. Способ по п. 8, в котором способ дополнительно включает в себя инициацию сервером выполнения производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса, соответственно, для получения текущего выходного значения.
10. Способ по п. 9, в котором способ дополнительно включает в себя определение сервером пары первых пробных значений и пары вторых пробных значений на основе данных истории.
11. Сервер для обучения алгоритма машинного обучения (MLA), сервер реализует MLA, и сервер выполнен с возможностью осуществлять:
• создание обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности, причем для создание обучающей выборки сервер выполнен с возможностью осуществлять:
ο создание множества векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество идентифицированных признаков промышленного процесса в данных истории;
ο извлечение множества выходных значений из данных истории, причем каждое выходное значение в множестве выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве векторов признаков;
ο идентификацию соответствующего значения целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором;
ο определение функции регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением;
ο определение расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции регрессии;
ο определение расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;
• обучение MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем для обучения MLA сервер выполнен с возможностью вводить каждый вектор признаков и соответствующую связанную расчетную погрешность в MLA.
12. Сервер по п. 11, в котором сервер дополнительно выполнен с дополнительной возможностью сохранение функции регрессии в хранилище.
13. Сервер по п. 12, в котором сервер дополнительно выполнен с возможностью после обучения осуществлять:
• получение функции регрессии из хранилища;
• получение текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением целевого признака процесса;
• определение первого пробного расчетного выходного значения для первого пробного значения целевого признака процесса на основе функции регрессии;
• определение первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса и первого пробного значения целевого признака процесса в обученный MLA;
• определение первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;
• определение второго пробного расчетного выходного значения для второго пробного значения целевого признака процесса на основе функции регрессии;
• определение второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и второго пробного значения целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса и второго пробного значения целевого признака процесса в обученный MLA;
• определение второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и
• отбор данного из первого пробного значения целевого признака процесса и второго пробного значения целевого признака процесса как текущего значения целевого признака процесса на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.
14. Сервер по п. 13, в котором сервер выполнен с дополнительной возможностью инициировать выполнение производственного процесса с текущими значениями набора признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения.
15. Сервер по п. 14, в котором сервер выполнен с дополнительной возможностью определять первое пробное значение и второе пробное значение на основе данных истории.
16. Сервер по п. 11, в котором функция регрессии является одной из следующих:
• линейной регрессией;
• дробно-линейной регрессией;
• логистической регрессией;
• полиномиальной регрессией;
• гребневой регрессией;
• лассо-регрессией.
17. Сервер по п. 11, в котором сервер выполнен с возможностью осуществлять:
ο идентификацию соответствующего значения первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором;
ο определение планарной функции регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением;
ο определение расчетного выходного значения для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции регрессии;
ο определение расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;
• обучение MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем для обучения MLA сервер выполнен с возможностью вводить каждый вектор признаков и соответствующую связанную расчетную погрешность в MLA.
18. Сервер по п. 17, в котором сервер дополнительно выполнен с возможностью после обучения осуществлять:
• получение планарной функции регрессии из хранилища;
• получение текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса;
• определение первого пробного расчетного выходного значения для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции регрессии;
• определение первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA;
• определение первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;
• определение второго пробного расчетного выходного значения для второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса на основе планарной функции регрессии;
• определение второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA;
• определение второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и
• отбор первых пробных значений или вторых пробных значений как текущей пары значений для первого целевого признака процесса и второго целевого признака процесса, соответственно, на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.
19. Сервер по п. 18, в котором сервер выполнен с дополнительной возможностью инициировать выполнение производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса, соответственно, для получения текущего выходного значения.
20. Сервер по п. 19, в котором сервер выполнен с дополнительной возможностью определять пару первых пробных значений и пару вторых пробных значений на основе данных истории.
21. Способ по п. 1, в котором промышленный процесс является процессом легирования стали.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2016136413A RU2649792C2 (ru) | 2016-09-09 | 2016-09-09 | Способ и система обучения алгоритма машинного обучения |
| US15/646,137 US20180075371A1 (en) | 2016-09-09 | 2017-07-11 | Method and system for training a machine learning algorithm |
| EP17189977.6A EP3293683A1 (en) | 2016-09-09 | 2017-09-07 | Method and system for training a machine learning algorithm for selecting process parameters for an industrial process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2016136413A RU2649792C2 (ru) | 2016-09-09 | 2016-09-09 | Способ и система обучения алгоритма машинного обучения |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| RU2016136413A true RU2016136413A (ru) | 2018-03-15 |
| RU2016136413A3 RU2016136413A3 (ru) | 2018-03-15 |
| RU2649792C2 RU2649792C2 (ru) | 2018-04-04 |
Family
ID=61560659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2016136413A RU2649792C2 (ru) | 2016-09-09 | 2016-09-09 | Способ и система обучения алгоритма машинного обучения |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20180075371A1 (ru) |
| RU (1) | RU2649792C2 (ru) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2731744C1 (ru) * | 2019-05-15 | 2020-09-08 | Акционерное общество "ПКК МИЛАНДР" | Система управления устройствами в IoT сетях с помощью самообучающихся моделей машинного обучения |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11178166B2 (en) * | 2016-02-22 | 2021-11-16 | The Regents Of The University Of California | Information leakage-aware computer aided cyber-physical manufacturing |
| US11550299B2 (en) | 2020-02-03 | 2023-01-10 | Strong Force TX Portfolio 2018, LLC | Automated robotic process selection and configuration |
| US11669914B2 (en) | 2018-05-06 | 2023-06-06 | Strong Force TX Portfolio 2018, LLC | Adaptive intelligence and shared infrastructure lending transaction enablement platform responsive to crowd sourced information |
| US11544782B2 (en) | 2018-05-06 | 2023-01-03 | Strong Force TX Portfolio 2018, LLC | System and method of a smart contract and distributed ledger platform with blockchain custody service |
| CA3098670A1 (en) | 2018-05-06 | 2019-11-14 | Strong Force TX Portfolio 2018, LLC | Methods and systems for improving machines and systems that automate execution of distributed ledger and other transactions in spot and forward markets for energy, compute, storage and other resources |
| JP6608010B1 (ja) * | 2018-07-25 | 2019-11-20 | 積水化学工業株式会社 | 制御装置、サーバ、管理システム、コンピュータプログラム、学習モデル及び制御方法 |
| CN111639777B (zh) * | 2019-03-01 | 2023-09-29 | 京东科技信息技术有限公司 | 估计目标体重的方法和装置 |
| US11982993B2 (en) | 2020-02-03 | 2024-05-14 | Strong Force TX Portfolio 2018, LLC | AI solution selection for an automated robotic process |
| RU2745492C1 (ru) * | 2020-10-09 | 2021-03-25 | Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр» | Способ и система поиска аналогов месторождений нефти и газа |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7088949B2 (en) * | 2002-06-24 | 2006-08-08 | Educational Testing Service | Automated essay scoring |
| EP2449510B2 (en) * | 2009-06-30 | 2022-12-21 | Dow AgroSciences LLC | Application of machine learning methods for mining association rules in plant and animal data sets containing molecular genetic markers, followed by classification or prediction utilizing features created from these association rules |
| US9104189B2 (en) * | 2009-07-01 | 2015-08-11 | Mario E. Berges Gonzalez | Methods and apparatuses for monitoring energy consumption and related operations |
| RU2504006C1 (ru) * | 2012-06-05 | 2014-01-10 | Александр Николаевич Цуриков | Способ обучения искусственной нейронной сети |
| JP5984153B2 (ja) * | 2014-09-22 | 2016-09-06 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 情報処理装置、プログラム、及び情報処理方法 |
-
2016
- 2016-09-09 RU RU2016136413A patent/RU2649792C2/ru active
-
2017
- 2017-07-11 US US15/646,137 patent/US20180075371A1/en not_active Abandoned
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2731744C1 (ru) * | 2019-05-15 | 2020-09-08 | Акционерное общество "ПКК МИЛАНДР" | Система управления устройствами в IoT сетях с помощью самообучающихся моделей машинного обучения |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180075371A1 (en) | 2018-03-15 |
| RU2016136413A3 (ru) | 2018-03-15 |
| RU2649792C2 (ru) | 2018-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2016136413A (ru) | Способ и система обучения алгоритма машинного обучения | |
| US20240129368A1 (en) | Server device, learned model providing program, learned model providing method, and learned model providing system | |
| US20190286983A1 (en) | Machine learning-based semiconductor manufacturing yield prediction system and method | |
| JP6896069B2 (ja) | ｋ近傍およびロジスティック回帰アプローチを用いた時系列異常検出、異常分類、ならびに遷移分析 | |
| JP2016523402A5 (ru) | ||
| JP2017091526A (ja) | 新規物質探索方法および装置 | |
| US10140097B2 (en) | System for improved parallelization of program code | |
| JP7041348B2 (ja) | 学習プログラム及び学習方法 | |
| JP2017062786A5 (ru) | ||
| WO2020057283A1 (zh) | 无监督模型评估方法、装置、服务器及可读存储介质 | |
| EP3945472A3 (en) | Method of and system for online machine learning with dynamic model evaluation and selection | |
| JP2016151932A5 (ru) | ||
| JP2017097803A (ja) | 予測装置、方法及びプログラム | |
| US11841689B2 (en) | Policy creation apparatus, control apparatus, policy creation method, and non-transitory computer readable medium storing policy creation program | |
| JP2017051598A5 (ru) | ||
| CN109074348A (zh) | 用于对输入数据集进行迭代聚类的设备和迭代方法 | |
| JP6438354B2 (ja) | 自己位置推定装置及び自己位置推定装置を備えた移動体 | |
| RU2015142786A (ru) | Система и способ обработки данных графов | |
| Castri et al. | Enhancing Causal Discovery from Robot Sensor Data in Dynamic Scenarios | |
| Wood et al. | Efficient Graph-Friendly COCO Metric Computation for Train-Time Model Evaluation | |
| US20160092509A1 (en) | Data processing apparatus and prediction method of pattern frequency thereof | |
| GB2611981A (en) | Methods for detecting and monitoring bias in software application using artificial intelligence and devices thereof | |
| JP2008299413A (ja) | パラメータ決定支援装置 | |
| WO2016105182A1 (en) | Method for automatic diagrammatic question generation and answer assessment | |
| KR101068091B1 (ko) | 모바일 로봇의 장애물 회피를 위한 공간 필터링 방법 |