В данной статье описан процесс разработки моделей машинного обучения для прогнозирования проблемных состояний. В основе формирования систем поддержки принятия решений в условиях проблемных ситуаций предполагается использование ансамблевых методов машинного обучения: бэггинг, бустинг и стекинг. С целью повышения качества построенных моделей применяется метод балансировки данных, описаны алгоритмы андерсэмплинга и оверсэмплинга. Так как использование сложных моделей машинного обучения снижает способность объяснения полученного результата, приведены различные способы интерпретации построенных моделей. По результатам исследования сформирован метод прогнозирования проблемных состояний. Такой подход способствует поэтапному решению выявленной проблемной ситуации и последовательному достижению поставленной цели.

Ключевые слова: машинное обучения, бэггинг, бустинг, стекинг, проблемные состояния, балансировка данных, shap-значения

05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.10 - Управление в социальных и экономических системах

С развитием технологии носимых устройств появились уникальные возможности для обеспечения взаимодействия с пользователем и высокоточного персонализированного распознавания его рабочей деятельности. В статье предлагается подход с использованием гибридной нейронной сети CNN-LSTM, направленный на определение конкретного вида работы, выполняемой специалистами, предоставляющий возможность обеспечения контроля выполнения данных действий на основе данных с носимых устройств (смарт часты, смарт браслеты). Точность разработанного алгоритма при распознавании 18 различных видов действий на тестовой выборке составила более 90 % по метрике Accuracy (доля правильных ответов).

Ключевые слова: человеческий капитал, производительность труда, гибридная нейронная сеть, сверточная нейронная сеть, рекуррентная нейронная сеть

05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.10 - Управление в социальных и экономических системах