-
1دورية أكاديمية
المؤلفون: A. D. Petrov, E. A. Kharchenko, А. Д. Петров, Е. А. Харченко
المصدر: The Herald of the Siberian State University of Telecommunications and Information Science; Том 18, № 1 (2024); 3-15 ; Вестник СибГУТИ; Том 18, № 1 (2024); 3-15 ; 1998-6920
مصطلحات موضوعية: системы обнаружения вторжений, outliers, anomaly, clustering, segmentation, unsupervised learning, intrusion detection system, выбросы, аномалии, кластеризация, сегментация, машинное обучение без учителя
وصف الملف: application/pdf
العلاقة: https://vestnik.sibsutis.ru/jour/article/view/825/744Test; https://vestnik.sibsutis.ru/jour/article/downloadSuppFile/825/24Test; https://vestnik.sibsutis.ru/jour/article/downloadSuppFile/825/25Test; https://vestnik.sibsutis.ru/jour/article/downloadSuppFile/825/26Test; https://vestnik.sibsutis.ru/jour/article/downloadSuppFile/825/28Test; Левцов В. Анатомия таргетированной атаки [Электронный ресурс]. URL: https://www.kaspersky.ru/blog/targeted-attack-anatomy/4388Test (дата обращения: 28.06.2023).; Лаврентьев А. MLAD: обнаружение аномалий методами машинного обучения [Электронный ресурс]. URL: https://icscert.kaspersky.ru/publications/reports/2018/01/16/mlad-machine-learningfor-anomaly-detectionTest (дата обращения: 28.06.2023).; Указ Президента Российской Федерации от 30.03.2022 № 166 ”О мерах по обеспечению технологической независимости и безопасности критической информационной инфраструктуры Российской Федерации”[Электронный ресурс]. URL: http://publication.pravo.gov.ru/Document/View/0001202203300001Test (дата обращения: 28.06.2023).; ГОСТ Р ИСО 16269-4-2017 ”Статистические методы. Статистическое представление данных. Часть 4. Выявление и обработка выбросов”. М.: Стандартинформ, 2017. 53 с.; Дьяконов А. Г., Головина А. М. Выявление аномалий в работе механизмов методами машинного обучения // Аналитика и управление данными в областях с интенсивным использованием данных. 2017. С. 469–476.; Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. Morgan Kaufmann, 2011. 740 p.; Tan P.-N., Steinbach M., Karpatne A., Kumar V. Introduction to Data Mining. Pearson, 2019. 839 p.; Харченко Е. А. Морфологический подход к принятию обоснованных решений по экспертным суждениям // Вестник ТвГУ. Серия: Прикладная математика. 2019. № 2. С. 42–56. https://doi.org/10.26456/vtpmk531Test.; Харченко Е. А. Алгоритм морфологического метода экспертных оценок для решения задачи прогнозирования // Компьютерные инструменты в образовании. 2023. № 2. С. 5–20. https://doi.org/10.32603/2071-2340-2023-2-5-20Test.; https://vestnik.sibsutis.ru/jour/article/view/825Test
الإتاحة: https://doi.org/10.55648/1998-6920-2024-18-1-3-15Test
https://doi.org/10.26456/vtpmk531Test
https://doi.org/10.32603/2071-2340-2023-2-5-20Test
https://vestnik.sibsutis.ru/jour/article/view/825Test -
2تقرير
المؤلفون: Белоусова, Алёна Романовна
المساهمون: Губин, Максим Юрьевич
مصطلحات موضوعية: кластеризация, машинное обучение, машинное обучение без учителя, анализ данных, программирование, clustering, machine learning, unsupervised learning, data mining, programming, 09.03.04, 004.93'14:519.2:004.6
وصف الملف: application/pdf
العلاقة: Белоусова А. Р. Сравнение методов кластеризации на экспериментальных данных проекта «ATLAS» : бакалаврская работа / А. Р. Белоусова; Национальный исследовательский Томский политехнический университет (ТПУ), Инженерная школа информационных технологий и робототехники (ИШИТР), Отделение информационных технологий (ОИТ); науч. рук. М. Ю. Губин. — Томск, 2019.; http://earchive.tpu.ru/handle/11683/55203Test
-
3دورية أكاديمية
المؤلفون: Дашкевич, Андрей Александрович
مصطلحات موضوعية: обучение без учителя, стереопара, восстановление изображений, входные изображения, unsupervised learning, image reconstruction
وصف الملف: application/pdf
العلاقة: Дашкевич А. А. Исследование моделей сверточных автоэнкодеров для выделения признаков в наборах стереоизображений / А. А. Дашкевич // Вісник Нац. техн. ун-ту "ХПІ" : зб. наук. пр. Сер. : Інформатика та моделювання. – Харків : НТУ "ХПІ", 2017. – № 50 (1271). – С. 112-118.; http://repository.kpi.kharkov.ua/handle/KhPI-Press/35497Test
الإتاحة: https://doi.org/10.20998/2411-0558.2017.50.04Test
http://repository.kpi.kharkov.ua/handle/KhPI-Press/35497Test -
4دورية أكاديمية
المصدر: Мікросистеми, Електроніка та Акустика : науково-технічний журнал, 2017, Т. 22, № 6(101)
مصطلحات موضوعية: нейронні мережі, генетичний алгоритм, навчання без учителя, агентне моделювання, навчання нейронних мереж, геном, симуляція поведінки натовпу, neural networks, genetic algorithm, training without a teacher, agent-based modelling, neural networks training, genome, crowd simulation, нейронные сети, генетический алгоритм, обучение без учителя, агентное моделирование, обучение нейронных сетей, симуляция поведения толпы
وصف الملف: С. 71-78; application/pdf
العلاقة: Дорогий, Я. Ю. Застосування генетичного алгоритму для агентного моделювання поведінки об’єктів при виході з палаючої кімнати / Дорогий Я. Ю., Цуркан В. В., Дембіцький А. С. // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2017. – Т. 22, № 6(101). – С. 71–78. – Бібліогр.: 11 назв.; https://ela.kpi.ua/handle/123456789/33064Test; https://doi.org/10.20535/2523-4455.2017.22.6.105199Test
الإتاحة: https://doi.org/10.20535/2523-4455.2017.22.6.105199Test
https://ela.kpi.ua/handle/123456789/33064Test -
5دورية أكاديمية
المصدر: Microsystems, Electronics and Acoustics; Vol. 22 No. 6 (2017); 71-78 ; Микросистемы, Электроника и Акустика; Том 22 № 6 (2017); 71-78 ; Мікросистеми, Електроніка та Акустика; Том 22 № 6 (2017); 71-78 ; 2523-4455 ; 2523-4447 ; 10.20535/2523-4455.2017.22.6
مصطلحات موضوعية: neural networks, genetic algorithm, training without a teacher, agent-based modelling, neural networks training, genome, crowd simulation, 004.891.2, нейронные сети, генетический алгоритм, обучение без учителя, агентное моделирование, обучение нейронных сетей, геном, симуляция поведения толпы, нейронні мережі, генетичний алгоритм, навчання без учителя, агентне моделювання, навчання нейронних мереж
وصف الملف: application/pdf
العلاقة: http://elc.kpi.ua/article/view/105199/118269Test; http://elc.kpi.ua/article/view/105199Test
الإتاحة: https://doi.org/10.20535/2523-4455.2017.22.6.105199Test
https://doi.org/10.20535/2523-4455.2017.22.6Test
http://elc.kpi.ua/article/view/105199Test -
6دورية أكاديمية
المؤلفون: A.A. KRASNOSHCHEKOV
المصدر: Advanced Engineering Research, Vol 10, Iss 3, Pp 318-324 (2010)
مصطلحات موضوعية: импульсные нейронные сети, классификация данных, хеббовское обучение, обучение “без учителя”., Materials of engineering and construction. Mechanics of materials, TA401-492
وصف الملف: electronic resource
-
7دورية أكاديمية
المؤلفون: В.Н. Вагин, В.А. Ганишев
مصطلحات موضوعية: адаптация, временные ряды, выделение признаков, кластеризация, мел-частотные кепстраль-ные коэффициенты, обучение без учителя, обучение на этапе функционирования нейронной сети, растущие нейрон-ные сети, adaptation, feature extraction, feature matching, incremental neural network, lifetime learning, mel frequency cepstral coefficients (MFCC), speaker clustering, speaker diarization, time series, unsupervised learning
وصف الملف: text/html
-
8دورية أكاديمية
المؤلفون: Муравьев, Антон, Белоусов, Артем
مصطلحات موضوعية: КЛАССИФИКАЦИЯ, КЛАСТЕРНЫЙ АНАЛИЗ, ОБУЧЕНИЕ БЕЗ УЧИТЕЛЯ, ОБУЧЕНИЕ С УЧИТЕЛЕМ, РАСТУЩИЙ НЕЙРОННЫЙ ГАЗ, САМООРГАНИЗУЮЩИЕСЯ МОДЕЛИ
وصف الملف: text/html
-
9دورية أكاديمية
المؤلفون: Ковалев, Сергей, Суханов, Андрей
مصطلحات موضوعية: ОБНАРУЖЕНИЕ АНОМАЛИЙ, ОБУЧЕНИЕ БЕЗ УЧИТЕЛЯ, ВРЕМЕННОЙ РЯД, МАРКОВСКАЯ МОДЕЛЬ, ПРОДУКЦИОННЫЕ МОДЕЛИ, ОСОБЫЕ ПАТТЕРНЫ
وصف الملف: text/html
-
10
مصطلحات موضوعية: convolutional neural network (CNN), обучение без учителя, k-means clustering algorithm, сверточная нейронная сеть (CNN), алгоритм кластеризации k-средних, unsupervised learning
الوصول الحر: https://explore.openaire.eu/search/publication?articleId=doi_________::aadbad7fe7ed309032d919056124d383Test