доцент кафедры Информационных технологий и программирования, доцент
зав. кафедрой Информационных технологий и программирования, доцент
декан факультета Компьютерных технологий и информационной безопасности, профессор кафедры Информационной безопасности, профессор
Comparative analysis of machine learning methods and neural networks is an important tool for choosing optimal solutions, understanding their limitations and capabilities, as well as for developing new approaches and technologies in the field of artificial intelligence. During development, the task of predicting time series based on electricity consumption readings is solved. The authors have developed data forecasting algorithms using machine learning methods (gradient boosting of XGBoost, LightGBM and CatBoost, comparison of low-level and high-level interfaces xgb. train and XGBRegressor, and SimpleLinearModel), as well as using neural networks (recurrent networks implemented in Pytorch) in Python. To analyze and evaluate the obtained results, model quality metrics (RMSE learning errors on training and test data) were calculated. Based on the execution time of the training process of the developed models, a comprehensive comparison of algorithms (benchmarking) was performed. The predicted values (real and calculated) were visualized.
Сравнительный анализ методов машинного обучения и нейронных сетей является важным инструментом для выбора оптимальных решений, понимания их ограничений и возможностей, а также для развития новых подходов и технологий в области искусственного интеллекта; в ходе разработки решается задача прогнозирования временных рядов на основе показаний потребления электроэнергии; авторами разработаны алгоритмы прогнозирования данных с помощью методов машинного обучения (градиентный бустинг XGBoost, LightGBM и CatBoost, сравнение низкоуровневого и высокоуровневого интерфейсов xgb.train и XGBRegressor, SimpleLinearModel), а также с помощью нейронных сетей (рекуррентные сети, реализованные в Pytorch) на языке Python; для анализа и оценки полученных результатов были рассчитаны метрики качества моделей (RMSE ошибки обучения на тренировочных и тестовых данных), проведено комплексное сравнение алгоритмов (бенчмаркинг) на основе времени выполнения процесса обучения разработанных моделей; визуализированы прогнозные значения (реальные и расчетные).