В статье решается задача автоматизированного формирования пользовательских ролей с применением методов машинного обучения. Для решения задачи используются методы кластерного анализа данных, реализованные на языке Python в среде разработки Google Colab. На основе полученных результатов разработана и апробирована методика формирования пользовательских ролей, позволяющая сократить время формирования ролевой модели управления доступом.

Ключевые слова: машинное обучение, ролевая модель управления доступом, кластеризация, метод k-средних, иерархическая кластеризация, метод DBSCAN

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.6 - Методы и системы защиты информации, информационная безопасность

В статье решается задача диагностики сахарного диабета. Для ее решения предлагается построение и использование нейронечеткой модели. Для обучения модели произведены поиск и подготовка исходных данных к анализу. Данные получены из общедоступного источника Kaggle. Подготовка данных к анализу произведена на базе аналитической платформы Deductor. Из подготовленного набора данных сформированы обучающая и тестовая выборки, использованные для построения модели. Сравнение полученных результатов с известными результатами других авторов позволило сделать вывод об адекватности модели и возможности ее практического использования.

Ключевые слова: нейронечеткая модель, нечеткая нейронная сеть, сахарный диабет, моделирование, диагностика, машинное обучение

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 3.1.19 - Эндокринология

В данной работе решается задача повышения эффективности образовательной деятельности за счет прогнозирования успеваемости обучающихся на основе внешних и внутренних факторов. Для решения данной задачи построена модель прогнозирования успеваемости обучающихся с использованием языка программирования Python. Исходные данные для построения модели дерева решений взяты с платформы UCI Machine Learning Repository и предварительно обработаны с помощью аналитической платформы Deductor Studio Academic. Приведены результаты работы модели и проведено исследование для оценки эффективности прогнозирования успеваемости обучающихся.

Ключевые слова: прогнозирование, дерево решений, успеваемость обучающихся, влияние факторов, оценка эффективности

2.3.1 - Системный анализ, управление и обработка информации , 5.8.7 - Методология и технология профессионального образования

В статье описывается методика построения неронечеткой модели выделения контурных точек на изображении. Методика включает следующие шаги: формирование лингвистических переменных «разность яркостей пикселей» и «признак принадлежности пикселя к контуру», формирование базы знаний нейронечеткой модели при помощи бинарного изображения, формирование обучающей выборки с использованием как полутонового, так и контурного изображения, обучение нейронечеткой модели с использованием генетического алгоритма. Особенностью представленного генетического алгоритма является - проверка условий на корректность значений параметров функций принадлежностей, получаемых при генерации хромосом. Описывается структура нейронечеткой модели принятия решения о принадлежности пикселя контуру. Приводится результат применения нейронечеткой модели для построения контуров изображений.

Ключевые слова: нейронечеткая модель, контурное изображение, выделение контура, контурный пиксель, лингвистическая переменная, нечеткое множество, функция принадлежности, генетический алгоритм, логический вывод Цукамото, обучение нейронечеткой модели

1.2.2 - Математическое моделирование, численные методы и комплексы программ