В данной работе был предложен метод классификации дефектов шестерней, которые возникают в результате сил трения в процессе их работы. Была формализована задача обучения с учителем, рассмотрены некоторые алгоритмы: регрессии и классификации и методы их обучения, также были рассмотрены метрики для оценки качества обученных моделей. В результате сравнения метрик качества обученных моделей был выбран алгоритм градиентного бустинга. Также было использовано дискретное преобразование Фурье на экспериментальных данных для улучшения предсказательных способностей модели градиентного бустинга, что позволило значительно повысить метрики качества.

In this abstract was suggested a method for classifying gear defects that appears because of friction forces during their operation. There was formalized a problem of supervised learning and considered various algorithms for solving regression and classification problems, also there was considered metrics for evaluating the quality of models. As a result, of comparing the quality metrics of the models there was chosen an algorithm of gradient boosting. Also was used discrete Fourier transform on experimental data to improve the predictive abilities of gradient boosting model, this action significantly improved metrics of model.

• ВВЕДЕНИЕ
• ГЛАВА 1. РАБОТА С ДАННЫМИ
• 1.1. Описание данных
• 1.2. Первичная предобработка данных
• ГЛАВА 2. ФОРМАЛИЗАЦИЯ ЗАДАЧИ
• 2.1. Обоснование использования методов машинного обучения для решения задачи
• 2.2. Задача обучения с учителем
• ГЛАВА 3. АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ
• 3.1. Линейная регрессия и градиентный спуск
• 3.2. Логистическая регрессия
• 3.3. Решающие деревья
• 3.4. Градиентный бустинг
• ГЛАВА 4. ОЦЕНКА РЕЗУЛЬТАТОВ МОДЕЛЕЙ
• 4.1. Метрики в задаче классификации
• 4.2. Оценка качества первичных моделей
• 4.3. Использование дискретного преобразования Фурье
• 4.4. Оценка качества моделей после использования дискретного преобразования Фурье
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ