Содержание пособия включает изложение основных подходов направления интеллектуального анализа временных рядов (Time Series Data Mining), которое в настоящее время объединяет статистические, нейросетевые и нечеткие модели и технологии анализа временных рядов. Описание моделей и технологий базируется на современном обзоре отечественных и зарубежных источников, системном подходе и сопровождается примерами и контрольными вопросами. Рассматриваются авторские модели временных рядов на основе анализа нечетких тенденций, позволяющие прогнозировать не только числовые значения временных рядов, но и направление их изменения, а также генерировать краткое описание поведения временного ряда в лингвистической форме.
Пособие предназначено для поддержки дисциплин «Интеллектуальные информационные технологии», «Информационные технологии», «Информатика», дневной, вечерней, заочной и дистанционной форм обучения, а также для магистрантов и аспирантов, специализирующихся в области интеллектуальной обработки данных.
Содержание пособия включает изложение основных подходов направления интеллектуального анализа временных рядов (Time Series Data Mining), которое в настоящее время объединяет статистические, нейросетевые и нечеткие модели и технологии анализа временных рядов. Описание моделей и технологий базируется на современном обзоре отечественных и зарубежных источников, системном подходе и сопровождается примерами и контрольными вопросами. Рассматриваются авторские модели временных рядов на основе анализа нечетких тенденций, позволяющие прогнозировать не только числовые значения временных рядов, но и направление их изменения, а также генерировать краткое описание поведения временного ряда в лингвистической форме.
Пособие предназначено для поддержки дисциплин «Интеллектуальные информационные технологии», «Информационные технологии», «Информатика», дневной, вечерней, заочной и дистанционной форм обучения, а также для магистрантов и аспирантов, специализирующихся в области интеллектуальной обработки данных.
Исследована проблема оценки урожайности зерновых культур с использованием мобильных технологий. Проанализированы рост потребления зерна и повышенный интерес к методам оценки урожайности зерновых культур. Проведен обзор методов машинного обучения для учета урожайности, приведены примеры использования глубокого обучения и статистических моделей. Описана структура и функциональность мобильного приложения, предназначенного для сбора данных и автоматизации подсчета зерна. Подчеркнута важность мобильных технологий для оптимизации ресурсов и улучшения производственных процессов в сельском хозяйстве.