Москва, г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
В статье обсуждаются вопросы использования машинного обучения для анализа и прогнозирования ресурса узлов и деталей железнодорожного подвижного состава. Особое внимание уделено методике проверки гипотезы о том, что выборки данных, собранные из разных источников, принадлежат одной генеральной совокупности. Это критически важно для корректного объединения данных и повышения качества обучающих выборок, применяемых в прогнозных моделях. Разработанный подход способствует повышению точности оценки состояния узлов и деталей, что, в свою очередь, повышает безопасность железнодорожных перевозок.
обучение, анализ, подвижной состав, прогнозирование, ресурс, проверка, гипотезы, данные, надежность, перевозки
1. T.Beysolow II. Applied Reinforcement Learning with Python: With OpenAI Gym, Tensorflow, and Keras. Apress, 2019. ISBN 1484251261.
2. Шарден, Б. Крупномасштабное машинное обучение вместе с Python : учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти ; перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2018. 358 с. ISBN 978-5-97060-506-6. Текст : электронный // Лань : электронно-библиотечная система. – URL: https://e.lanbook.com/book/105836
3. Плас, Джейк Вандер Python для сложных задач. Наука о данных и машинное обучение. Руководство / Плас Джейк Вандер. М.: Питер, 2018. 759 c
4. Солнцева, О.Г. Аспекты применения технологий искусственного интеллекта / О.Г. Солнцева // E-Management. 2018. No1. – URL: https://cyberleninka.ru/article/n/aspekty-primeneniya-tehnologiy-iskusstvennogo-intellekta
5. Колесникова, Г.И. Искусственный интеллект: проблемы и перспективы / Г.И. Колесникова //Видеонаука: сетевой журн. 2018. No 2(10). – URL https://videonauka.ru/stati/44-novye-tekhnologii/190-iskusstvennyj-intellekt-problemy-i-perspektivy.
