Výsledky vyhledávání - "нейронная сеть прямого распространения"

1

Application of neural network technologies to assess the competence of personnel in the tasks of controlling the operational risk of a credit institution ; Применение нейросетевых технологий для оценки компетентности персонала в задачах контроля операционного риска кредитной организации

Autoři: Чумакова, Екатерина В. Корнеев, Дмитрий Г. Гаспариан, Михаил С. a další

Zdroj: Business Informatics; Vol 18 No 2 (2024); 7-21 ; Бизнес-информатика; Том 18 № 2 (2024); 7-21 ; 2587-8158 ; 2587-814X ; 10.17323/2587-814X.2024.2

Témata: machine learning, operational risks, personnel competence, artificial neural network, direct distribution neural network, high-level Keras library, машинное обучение, операционные риски, компетентность персонала, искусственная нейронная сеть, нейронная сеть прямого распространения, высокоуровневая библиотека Keras

Popis souboru: application/pdf

Relation: https://bijournal.hse.ru/article/view/25900/21366; https://bijournal.hse.ru/article/view/25900/21367; https://bijournal.hse.ru/article/view/25900

Dostupnost: https://bijournal.hse.ru/article/view/25900
https://doi.org/10.17323/2587-814X.2024.2.7.21

View record from BASE

Nájsť tento článok vo Web of Science

2

Loan classification using a feed-forward neural network ; Классификация займа с использованием нейронной сети прямого распространения

Autoři: U. I. Behunkou В. И. Бегунков

Zdroj: Informatics; Том 21, № 1 (2024); 83-104 ; Информатика; Том 21, № 1 (2024); 83-104 ; 2617-6963 ; 1816-0301

Témata: нормализация данных, scoring, feed-forward neural network, machine learning, data normalization, скоринг, нейронная сеть прямого распространения, машинное обучение

Popis souboru: application/pdf

Relation: https://inf.grid.by/jour/article/view/1271/1077; Бегунков, В. И. Классификация займов c использованием логистической регрессии / В. И. Бегунков, М. Я. Ковалев // Информатика. – 2023. − Т. 20, № 1. – С. 55–74. https://doi.org/10.37661/1816-0301-2023-20-1-55-74; Murati, A. Disruption in European consumer finance: Lessons from Sweden [Electronic resource] / A. Murati, O. Skau, Z. Taraporevala // McKinsey Quarterly. – 2018. – Mode of access: https://www.mckinsey.com/industries/financial-services/our-insights/disruption-in-european-consumer-finance-lessons-from-sweden. – Date of access: 01.06.2021.; Hand, D. J. Statistical classification methods in consumer credit scoring: a review / D. J. Hand, W. E. Henley // J. of the Royal Statistical Society: Series A (Statistics in Society). – 1997. – Vol. 160, no. 3. – P. 523–541.; Kombe, S. K. Effects of internet banking on the financial performance of commercial banks in Kenya a case of Kenya Commercial Bank / S. K. Kombe, M. K. Wafula // Intern. J. of Scientific and Research Publications. – 2015. – Vol. 5, no. 5. – P. 1–10.; Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research / S. Lessmann [et al.] // European J. of Operational Research. – 2015. – Vol. 247, iss. 1. – Р. 124–136.; Geron, A. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow / A. Geron. – 2nd ed. – O’Reilly Media, 2019. – P. 205–207, 370–371.; Oldham, K. An Atlas of Functions: with Equator, the Atlas Function Calculator / K. Oldham, J. Myland, J. Spanier. – 2nd ed. – Springer Science + Business Media, 2009. – P. 289–290.; Shalev-Shwartz, S. Understanding Machine Learning: From Theory to Algorithms / S. Shalev-Shwartz, S. Ben-David. – Cambridge University Press, 2014. – P. 125–127.; Raschka, S. Python Machine Learning / S. Raschka, V. Mirjalili. – 3d ed. – Packt Publishing Ltd., 2019. – P. 65, 415–421.; Rumelhart, D. Learning representations by back-propagating errors / D. Rumelhart, G. Hinton, R. Williams // Nature. – 1986. – Vol. 323. – P. 533–536.; Goodfellow, I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville. – MIT Press, 2016. – P. 82–86, 205.; Bishop, C. Neural Networks for Pattern Recognition / C. Bishop. – Clarendon Press Oxford, 1995. – P. 231.; Metropolis, N. The Monte Carlo method / N. Metropolis, S. Ulam // J. of the American Statistical Association. – 1949. – Vol. 44, no. 247. – P. 335–341.; Harrington, P. Machine Learning in Action / P. Harrington. – 1st ed. – Manning Publication Co., 2012. – Р. 148, 269–279.; Glorot, X. Deep sparse rectifier neural networks / X. Glorot, A. Bordes, Y. Bengio // Proc. of the 14th Intern. Conf. on Artificial Intelligence and Statistics, Fort Lauderdale, FL, USA, 11–13 Apr. 2011. – Fort Lauderdale, 2011. – Vol. 15. – P. 315–323.; Murphy, K. P. Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series) / K. P. Murphy. – The MIT Press, 2012. – P. 387–407.; https://inf.grid.by/jour/article/view/1271

Dostupnost: https://inf.grid.by/jour/article/view/1271
https://doi.org/10.37661/1816-0301-2024-21-1-83-104

View record from BASE

Nájsť tento článok vo Web of Science

3

Использование технологий искусственного интеллекта при создании системы умного дома

Autoři: Kharchikova, M. Ilyukhina, S.

Témata: НЕЙРОННАЯ СЕТЬ ПРЯМОГО РАСПРОСТРАНЕНИЯ, MULTILAYER PERCEPTRON, CLUSTER ANALYSIS, FEEDFORWARD NEURAL NETWORK, SMART HOME, СИСТЕМА УПРАВЛЕНИЯ УМНЫМ ДОМОМ, МНОГОСЛОЙНЫЙ ПЕРСЕПТРОН, УМНЫЙ ДОМ, МАШИННОЕ ОБУЧЕНИЕ, ЗАДАЧА КЛАСТЕРИЗАЦИИ, MACHINE LEARNING, SMART HOME CONTROL SYSTEM

Popis souboru: application/pdf

Přístupová URL adresa: http://elar.urfu.ru/handle/10995/125524

View record at OpenAIRE

Nájsť tento článok vo Web of Science

4

CONSTRUCTION OF NEURAL NETWORKS FOR CLASSIFICATION POINTS OF LINEAR COMPLEX OF PLANES OF GENERAL TYPE

Autoři: Anatoliy Nicolaevich Makoha Tatyana Evgenjevna Tyshlyar

Zdroj: Вестник Северо-Кавказского федерального университета, Vol 0, Iss 2, Pp 20-23 (2022)

Témata: тривектор, арифметическая характеристика тривектора, линейный комплекс плоскостей, многообразие особых точек, нейронная сеть прямого распространения, trivector, arifmetic characteristic of trivector, linear complex of planes, the variety of singular points, the feedforward neural network, Economics as a science, HB71-74

Popis souboru: electronic resource

Relation: https://vestnikskfu.elpub.ru/jour/article/view/1847; https://doaj.org/toc/2307-907X

Přístupová URL adresa: https://doaj.org/article/10aad470d73f428f8a003ef6a948a31d

View record in DOAJ

Nájsť tento článok vo Web of Science

5

Модель оценки величины приложенного давления на основе анализа сигналов тактильного сенсора с применением методов машинного обучения

Autoři: Козырь, П.С. Яковлев, Р.Н.

Zdroj: Vestnik KRAUNC: Fiziko-Matematičeskie Nauki, Vol 2021, Iss 4, Pp 119-130 (2021)

Témata: емкостной сенсор давления, оценка величины давления, регрессионные модели, knn, полносвязная нейронная сеть прямого распространения, Science

Popis souboru: electronic resource

Relation: http://krasec.ru/kozyr2021374/; https://doaj.org/toc/2079-6641; https://doaj.org/toc/2079-665X

Přístupová URL adresa: https://doaj.org/article/93445a96a75d4db8af442601120d6e06

View record in DOAJ

Full Text Finder

Nájsť tento článok vo Web of Science

6

On some Commutative and Idempotent Finite Groupoids Associated with Subnets of Multilayer Feedforward Neural Networks ; О некоторых коммутативных и идемпотентных конечных группоидах, связанных с подсетями многослойных нейронных сетей прямого распространения сигнала

Autoři: Litavrin, Andrey V. Moiseenkova, Tatyana V. Литаврин, Андрей В. a další

Témata: groupoid, multilayer neural network of feedforward signal propagation, subnetwork of multilayer neural network of feedforward signal propagation, additive groupoid of generalized subnetworks, multiplicative groupoid of generalized subnetworks, generalized subnetwork, группоид, многослойная нейронная сеть прямого распространения сигнала, подсеть многослойной нейронной сети прямого распространения сигнала, аддитивный группоид обобщенных подсетей, мультипликативный группоид обобщенных подсетей, обобщенная подсеть

Relation: Журнал сибирского федерального университета. 2025 18(1). Journal of Siberian Federal University. Mathematics & Physics. 2025 18(1); CUZOVF

Dostupnost: https://elib.sfu-kras.ru/handle/2311/154252

View record from BASE

Nájsť tento článok vo Web of Science

7

КОНЦЕПЦИЯ УПРАВЛЕНИЯ МАЛОЭМИССИОННОЙ КАМЕРОЙ СГОРАНИЯ

Témata: дефаззификация, метод обратного распространения ошибки, фаззификация, нечеткое управление, малоэмиссионная камера, нейро-нечеткое (гибридное управление), метод разности площадей, газотурбинный двигатель, метод Левенберга-Маркварта, блок логического вывода, искусственная нейронная сеть прямого распространения

Nájsť tento článok vo Web of Science

8

Адаптация гибридной интеллектуальной обучающей среды с подкреплением

Autoři: Yuliya Vladimirovna Maskina Dmitrii Alexandrovich Kulikov Pavel Dmitrievich Basalin

Zdroj: Международный научный журнал "Современные информационные технологии и ИТ-образование". 16

Témata: 9. Industry and infrastructure, 4. Education, fuzzy production rules, гибридная интеллектуальная обучающая среда, нейронная сеть прямого распространения, адаптация с подкреплением, feedforward neural network, reinforcement adaptation, основанная на знаниях, knowledge-based system, hybrid intelligent learning environment, 10. No inequality, нечеткие продукционные правила, система

Přístupová URL adresa: http://sitito.cs.msu.ru/index.php/SITITO/article/download/692/727
http://sitito.cs.msu.ru/index.php/SITITO/article/view/692

View record at OpenAIRE

Nájsť tento článok vo Web of Science

9

Автоматизированная система детектирования волн Осборна на основе вейвлет-признаков и нейронной сети

Autoři: Бородин, Андрей Андреевич Бородин, Н. А. Дончило, А. Н.

Zdroj: Izvestiya Vysshikh Uchebnykh Zavedenii. Radioelektronika; Vol. 61 No. 5 (2018); 275-283 ; Известия высших учебных заведений. Радиоэлектроника; Том 61 № 5 (2018); 275-283 ; Вісті вищих учбових закладів. Радіоелектроніка; Том 61 № 5 (2018); 275-283 ; 2307-6011 ; 0021-3470

Témata: волны Осборна, ЭКГ сигнал, вейвлет-признак, квазисогласованная вейвлет фильтрация, метод главных компонент, нейронная сеть прямого распространения ошибки, обучение нейронной сети, МГК, ДВП

Popis souboru: application/pdf

Relation: https://radio.kpi.ua/article/view/S0021347018050047/128752; https://radio.kpi.ua/article/view/S0021347018050047

Dostupnost: https://radio.kpi.ua/article/view/S0021347018050047
https://doi.org/10.20535/S0021347018050047

View record from BASE

Nájsť tento článok vo Web of Science

10

Genetic search method for design calculation of dimensional chains ; Метод генетического поиска для проектного расчета размерных цепей

Autoři: V. V. Frolov В. В. Фролов

Zdroj: Informatics; Том 16, № 1 (2019); 103-114 ; Информатика; Том 16, № 1 (2019); 103-114 ; 2617-6963 ; 1816-0301

Témata: математическая модель, the closing link, method of complete interchangeability, genetic algorithm, chromosome, feedforward neural network, discrete optimization, mathematical model, замыкающее звено, метод полной взаимозаменяемости, генетический алгоритм, хромосома, нейронная сеть прямого распространения, дискретная оптимизация

Popis souboru: application/pdf

Relation: https://inf.grid.by/jour/article/view/476/800; Палей, М. А. Допуски и посадки : справочник : в 2 ч. / М. А. Палей, А. Б. Романов, В. А. Брагинский. – Изд. 8-е, перераб. и доп. – СПб. : Политехника, 2001. – Ч. 2. – 608 с.; АСКОН. Приложение. Размерные цепи. Руководство пользователя [Электронный ресурс]. – Режим доступа: https://kompas.ru/source/info_materials/user-manuals/rukovodstvo-polzovatelya-razmernye; cepi.pdf. – Дата доступа: 13.02.2018.; Inventor 2016. Справка: механический калькулятор допуска [Электронный ресурс]. – Режим доступа: http://help.autodesk.com/view/INVNTOR/2016/RUS/?guid=GUID-A447C0F3-17E4-4A49-9D7F-4F6329ACE7B9. – Дата доступа: 13.02.2018.; CETOL 6 Сигма: осознанная целесообразность точности [Электронный ресурс] // Умное производство. – 2017. – № 40. – Режим доступа: http://www.umpro.ru/index.php?page_id=17 &art_id_1=212& group_id_4=68. – Дата доступа: 13.02.2018.; Абзалов, А. Р. Размерный анализ на основе параметрических моделей с использованием электронных таблиц [Электронный ресурс] / А. Р. Абзалов, В. Н. Иванова, А. Е. Хабаров // Современные наукоемкие технологии. – 2016. – № 12. – Режим доступа: https://www.top-technologies.ru/pdf/2016/12-1/ 36467.pdf. – Дата доступа: 13.02.2018.; Дин, Э. NX 8.5 от Siemens PLM Software [Электронный ресурс] / Э. Дин // САПР и графика. – 2013. – № 3. – С. 40–44. – Режим доступа: http://sapr.ru/article/23687. – Дата доступа: 13.02.2018.; Анкин, А. В. Разработка программного обеспечения для расчета пространственной размерной цепи [Электронный ресурс] / А. В. Анкин, Д. Л. Кузьминский // Известия МГТУ. – 2011. – № 2. – Режим доступа: http://cyberleninka.ru/article/n/razrabotka-programmnogo-obespecheniya-dlya-raschetaprostranstvennoy-razmernoy-tsepi. – Дата доступа: 13.02.2018.; Ивахненко, А. А. Синтез допусков показателей качества при проектировании и эксплуатации продукции машиностроения [Электронный ресурс] : дис. … канд. техн. наук : 05.02.23 / А. А. Ивахненко. – Курск, 2015. – 163 с. – Режим доступа: https://swsu.ru/structura/aup/upiakvk/ods/dissertation-ivahnenko-aa.pdf. – Дата доступа: 26.07.2018.; Бодянский, Е. В. Искусственные нейронные сети: архитектуры, обучение, применения / Е. В. Бодянский, О. Г. Руденко. – Харьков : Телетех, 2004. – 369 с.; Анухин, В. И. Допуски и посадки. Выбор и расчет, указание на чертежах : учеб. пособие / В. И. Анухин. – 2-е изд., перераб. и доп. – СПб. : Изд-во СПбГТУ, 2001. – 219 с.; Фролов, В. В. Практические аспекты использования параллельных вычислений в генетическом алгоритме / В. В. Фролов // Доклады БГУИР. – 2018. – № 5(115). – С. 24–30.; https://inf.grid.by/jour/article/view/476

Dostupnost: https://inf.grid.by/jour/article/view/476

View record from BASE

Nájsť tento článok vo Web of Science

11

Использование технологий искусственного интеллекта при создании системы умного дома ; Use of Artificial Intelligence Technologies in Creating A Smart Home System

Autoři: Харчикова, М. А. Илюхина, С. С. Kharchikova, M. a další

Témata: УМНЫЙ ДОМ, СИСТЕМА УПРАВЛЕНИЯ УМНЫМ ДОМОМ, МАШИННОЕ ОБУЧЕНИЕ, НЕЙРОННАЯ СЕТЬ ПРЯМОГО РАСПРОСТРАНЕНИЯ, МНОГОСЛОЙНЫЙ ПЕРСЕПТРОН, ЗАДАЧА КЛАСТЕРИЗАЦИИ, SMART HOME, SMART HOME CONTROL SYSTEM, MACHINE LEARNING, FEEDFORWARD NEURAL NETWORK, MULTILAYER PERCEPTRON, CLUSTER ANALYSIS

Popis souboru: application/pdf

Relation: Весенние дни науки : сборник докладов Международной конференции студентов и молодых ученых. — Екатеринбург, 2023; http://elar.urfu.ru/handle/10995/125524

Dostupnost: http://elar.urfu.ru/handle/10995/125524

View record from BASE

Nájsť tento článok vo Web of Science

12

Автоматизированная система детектирования волн Осборна на основе вейвлет-признаков и нейронной сети

Zdroj: Izvestiya Vysshikh Uchebnykh Zavedenii. Radioelektronika; Том 61, № 5 (2018); 275-283
Известия высших учебных заведений. Радиоэлектроника; Том 61, № 5 (2018); 275-283

Témata: волны Осборна, ЭКГ сигнал, вейвлет-признак, квазисогласованная вейвлет фильтрация, метод главных компонент, нейронная сеть прямого распространения ошибки, обучение нейронной сети, МГК, ДВП