Details

В монографии изложены разработанные авторами статистические методы, интерпретируемые модели и алгоритмы машинного обучения для решения приоритетных задач предиктивной аналитики для мониторинга систем топливно-энергетического комплекса в целях обеспечения надежности, непрерывности функционирования и минимизации рисков. Объектом исследования являются модели машинного обучения и методы интерпретации структурированных и слабоструктурированных данных топливно-энергетического комплекса России. Основным методом является использование ансамблей слабых моделей для решения задач предиктивной аналитики и интерпретации полученных предсказаний. Полученные результаты используются в комплексной расширяемой интеллектуальной системе при решении задач предиктивной аналитики и анализе данных в рамках актуальных проблем ТЭК.

• Оглавление
• ВВЕДЕНИЕ
• Глава 1. Разработка и исследование новых композиционных моделей предиктивной аналитики при ограниченных и цензурированных данных
• 1.1. Композиционные модели выживаемости на основе оценки Берана и нескольких моде лей внимания
• 1.2. Модель выживаемости на основе механиз ма самовнимания
• 1.3. Метод объяснения моделей машинного обучения для анализа выживаемости на осно ве модели Берана
• 1.4. Выводы
• Глава 2. Разработка программного обеспечения, реализующегопредлагаемые композиционные модели предиктивной аналитики
• 2.1. Численные результаты исследований ком озиционных моделей выживаемости
• 2.2. Результаты численных экспериментов модели анализа выживаемости, построенной на основе механизма самовнимания
• 2.3. Результаты численного моделирования модели выживаемости на основе иерархиче ского механизма внимания
• 2.4. Выводы
• Глава 3. Статистические методы анализа данных типа времени жизни
• 3.1. Категориальные модели анализа данных типа времени жизни
• 3.2. Регрессионные модели анализа данных ти па времени жизни
• 3.3. Выводы
• Глава 4. Разработка и исследование моделей обнаружения аномалий
• 4.1. Класс методов обнаружения аномалий с помощью модели изоляционного леса с механизмом внимания и обучаемой скоринг овой функцией
• 4.2. Класс методов обнаружения аномалий на основе комбинирования случайного леса и нейронной сети, реализующих функции автокодировщика
• 4.3. Выводы
• Глава 5. Разработка программного обеспечения, реализующего предлагаемые модели обнаружения аномалий
• 5.1. Численные результаты исследований класса методов обнаружения аномалий, построенных на модели изоляционного леса с механизмом внимания и обучаемой скорин говой функцией
• 5.2. Численные результаты исследования класса методов обнаружения аномалий на основе комбинирования случайного леса и нейронной сети
• 5.3. Выводы
• Глава 6. Новые методы на основе алгоритмов построения деревьев решений с использованием градиентных алгоритмов поиска параметров разбиений в узлах дерева
• 6.1. Градиентный алгоритм построения дере вьев решений
• 6.2. Подход на основе градиентного бустинга с фиксированными градиентами для узлов
• 6.3. Выводы
• Глава 7. Программное обеспечение, реализующее предлагаемые методы на основе алгоритмов построения «градиентных» деревьеврешений
• 7.1. Реализация программного обеспечения по строения «градиентных» деревьев решений
• 7.2. Численные результаты исследований мод елей «градиентных» деревьев решений
• 7.3. Численные результаты исследований применения подхода на основе градиентного бустинга с фиксированными градиентами для узлов
• 7.4. Выводы
• ЗАКЛЮЧЕНИЕ
• Список использованных источников