Исследование программных решений для определения оптимального решения по заданным параметрам
(Стр. 78-86)
Подробнее об авторах
Пугачева Дарья Борисовна
кафедра компьютерного дизайна, Институт перспективных технологий и индустриального программирования
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Юдина Майя Викторовна кандидат технических наук; доцент, кафедра компьютерного дизайна, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация.
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Юдина Майя Викторовна кандидат технических наук; доцент, кафедра компьютерного дизайна, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация.
Аннотация:
В данной работе рассматривается исследование программных решений для оптимизации принятия решения, в частности, выбора наиболее подходящего размера одежды. Целью работы является проведение исследования и сравнения трех методов машинного обучения относительно вопроса предсказания размера одежды. Разработка программных решений проводилась на основе открытого набора данных, содержащего мерки пользователей, информацию о товарах, размерах и типах заказанных товаров, отзывы и комментарии к заказам. В ходе работы были реализованы три алгоритма машинного обучения: метод k-ближайших соседей, использование многослойной полносвязной нейронной сети, использование нейронной сети со смешными входами данных. Представлены и протестированы возможные решения и архитектуры нейронных сетей относительно вопроса оптимизации принятия решения относительно размера по критериям самого пользователя. Предложено использование нейронной сети со смешанными входами данных на языке программирования JavaScript с использованием TensorFlow.JS, где под смешанными входами подразумеваются данные о личных мерках пользователя и оставленные комментарии о соответствии заявленного размера. Последующее предложенного решения возможно в качестве самостоятельного веб-приложения или для интеграции модуля на веб-площадки с соответствующей тематикой.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Пугачева Д.Б., Юдина М.В. Исследование программных решений для определения оптимального решения по заданным параметрам // Computational Nanotechnology. 2024. Т. 11. № 5. С. 78-86. DOI: 10.33693/2313-223X-2024-11-5-78-86. EDN: BUKIIM
Список литературы:
Clothing fit dataset for size recommendation. kaggle. URL: https://www.kaggle.com/datasets/rmisra/clothing-fit-dataset-for-size-recommendation (data of accesses: 21.03.2024).
Итоги 2022 года от АКИТ // E-PEPPER журнал об электронной коммерции. URL: https://e-pepper.ru/news/itogi-2022-goda-ot-akit.html?ysclid=lu8p3v8kyj470047044 (дата обращения: 21.03.2024).
Keras: Multiple inputs and mixed data. pyimagesearch. URL: https://pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/ (data of accesses: 21.03.2024).
Кудрявцев М.А. Методология проектирования модели костюма на основе готовой коллекции с использованием машинного обучения // Научные исследования. 2018. № 6 (26).
Ларионова М.А., Бабешко В.Н. Перспективы применения искусственного интеллекта в легкой промышленности // МНИЖ. 2021. № 7-1 (109).
Балашов М.К. Будущее маркетинга: нейронные сети как инструмент обслуживания клиентов // Наука и образование сегодня. 2017. № 11 (22).
Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А.А. Слинкина. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.
Моралес М. Грокаем глубокое обучение с подкреплением. СПб.: Питер, 2023. 464 с. (Серия «Библиотека программиста»).
Rishabh M., Mengting Wan, McAuley J. Decomposing fit semantics for product size recommendation in metric spaces. In: Proceedings of the 12th ACM Conference on Recommender Systems. 2018. Pp. 422–426.
Rishabh M., Grover J. Sculpting data for ML: The first act of machine learning. 2021. ISBN: 9798585463570.
Sklearn API Reference. scikit-learn. URL: https://scikit-learn.org/stable/modules/classes.html#module-sklearn.neighbors (data of accesses: 18.03.2024).
Satyasangram sahoo, received MTech (CSE), Dr. R. Lakshmi: Mixed data through multiple input for price prediction with multilayer perception and mini VGG // International Journal of Recent Technology and Engineering (IJRTE). No. 8 (2). Pp. 6317–6320.
Ramé A., Sun R., Cord M. MixMo: Mixing multiple inputs for multiple outputs via deep subnetworks. 2020. URL: https://www.researchgate.net/publication/349963564_MixMo_Mixing_Multiple_Inputs_for_Multiple_Outputs_via_Deep_Subnetworks
Linjun Zhang, Zhun Deng, Kawaguchi K. et al. How does mixup help with robustness and generalization? // ICLR. 2021.
Borugadda P. et al. Transfer learning VGG16 model for classification of tomato plant leaf diseases: A novel approach for multi-level dimensional reduction. Pertanika Journal of Science and Technology. 2023. N. pag.
Анализ рынка одежды в России – демоверсия отчета BusinesStat // BusinesStat. URL: https://businesstat.ru/images/demo/clothes_russia_demo_businesstat.pdf (дата обращения: 25.03.2024).
Рынок интернет-торговли в России // Ассоциация компаний интернет-торговли – АКИТ. URL: https://akit.ru/ (дата обращения: 21.03.2024).
Модели TensorFlow.JS // TensorFlow. URL: https://www.tensorflow.org/js/models?hl=ru (дата обращения: 18.03.2024).
Итоги 2022 года от АКИТ // E-PEPPER журнал об электронной коммерции. URL: https://e-pepper.ru/news/itogi-2022-goda-ot-akit.html?ysclid=lu8p3v8kyj470047044 (дата обращения: 21.03.2024).
Keras: Multiple inputs and mixed data. pyimagesearch. URL: https://pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/ (data of accesses: 21.03.2024).
Кудрявцев М.А. Методология проектирования модели костюма на основе готовой коллекции с использованием машинного обучения // Научные исследования. 2018. № 6 (26).
Ларионова М.А., Бабешко В.Н. Перспективы применения искусственного интеллекта в легкой промышленности // МНИЖ. 2021. № 7-1 (109).
Балашов М.К. Будущее маркетинга: нейронные сети как инструмент обслуживания клиентов // Наука и образование сегодня. 2017. № 11 (22).
Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А.А. Слинкина. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.
Моралес М. Грокаем глубокое обучение с подкреплением. СПб.: Питер, 2023. 464 с. (Серия «Библиотека программиста»).
Rishabh M., Mengting Wan, McAuley J. Decomposing fit semantics for product size recommendation in metric spaces. In: Proceedings of the 12th ACM Conference on Recommender Systems. 2018. Pp. 422–426.
Rishabh M., Grover J. Sculpting data for ML: The first act of machine learning. 2021. ISBN: 9798585463570.
Sklearn API Reference. scikit-learn. URL: https://scikit-learn.org/stable/modules/classes.html#module-sklearn.neighbors (data of accesses: 18.03.2024).
Satyasangram sahoo, received MTech (CSE), Dr. R. Lakshmi: Mixed data through multiple input for price prediction with multilayer perception and mini VGG // International Journal of Recent Technology and Engineering (IJRTE). No. 8 (2). Pp. 6317–6320.
Ramé A., Sun R., Cord M. MixMo: Mixing multiple inputs for multiple outputs via deep subnetworks. 2020. URL: https://www.researchgate.net/publication/349963564_MixMo_Mixing_Multiple_Inputs_for_Multiple_Outputs_via_Deep_Subnetworks
Linjun Zhang, Zhun Deng, Kawaguchi K. et al. How does mixup help with robustness and generalization? // ICLR. 2021.
Borugadda P. et al. Transfer learning VGG16 model for classification of tomato plant leaf diseases: A novel approach for multi-level dimensional reduction. Pertanika Journal of Science and Technology. 2023. N. pag.
Анализ рынка одежды в России – демоверсия отчета BusinesStat // BusinesStat. URL: https://businesstat.ru/images/demo/clothes_russia_demo_businesstat.pdf (дата обращения: 25.03.2024).
Рынок интернет-торговли в России // Ассоциация компаний интернет-торговли – АКИТ. URL: https://akit.ru/ (дата обращения: 21.03.2024).
Модели TensorFlow.JS // TensorFlow. URL: https://www.tensorflow.org/js/models?hl=ru (дата обращения: 18.03.2024).
Ключевые слова:
нейронная сеть, обработка данных, предсказание размера.
Статьи по теме
Информатика и информационные процессы Страницы: 57-63 DOI: 10.33693/2313-223X-2024-11-3-57-63 Выпуск №143798
Совершенствование топологии нейросетевой модели для сегментации объектов на цифровых снимках на основе сверточных нейронных сетей
нейронная сеть
алгоритм
топология
сегментация
изображение
Подробнее
Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей Страницы: 77-86 DOI: 10.33693/2313-223X-2024-11-4-77-86 Выпуск №173588
Применение параллельного программирования на GPU для обработки изображений и кластеризации
обработка изображений
параллельное программирование
GPU
алгоритмы
кластеризации
Подробнее
Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей Страницы: 83-91 DOI: 10.33693/2313-223X-2023-10-3-83-91 Выпуск №23683
Определение параметров скрытых угроз раннего обнаружения в информационных системах для задач машинного обучения
машинное обучение
корпоративные информационные системы (КИС)
имитационное моделирование
анализ данных
обработка данных
Подробнее
Политические институты, процессы и технологии Страницы: 64-73 DOI: 10.33693/2223-0092-2023-13-1-64-73 Выпуск №22854
Современные социальные тренды процессов обучения как трансформация интеллекта: нейросетевой подход
обучение
высшее образование
нейронная сеть
трансформация интеллекта
коллективное бессознательное
Подробнее
05.13.01 СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ (ПО ОТРАСЛЯМ) (ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ) Страницы: 39-43 Выпуск №15557
ОСОБЕННОСТИ РАЗРАБОТКИ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ПРОЦЕССА ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ ДЛЯ КОНТРОЛЯ ЗАЩИЩЕННОСТИ АВТОМАТИЗИРОВАННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ
математическая модель
нейрон
нейронная сеть
обучение нейронной сети
механизмы контроля за- щищенности
Подробнее
Информатика и информационные процессы Страницы: 162-170 DOI: 10.33693/2313-223X-2024-11-1-162-170 Выпуск №95355
Возможности использования технологий Big Data при решении задач по обработке данных о загрязнении атмосферного воздуха
большие данные
обработка данных
мониторинг атмосферного воздуха
прогнозирование загрязнений
big data
Подробнее