Гібридні методи машинного навчання для аналізу даних

Abstract

Об’єктом дослідження є процеси машинного навчання без вчителя при виконанні завдання кластерного аналізу на базі хмарних обчислювальних технологій. Предметом дослідження є алгоритми машинного навчання без вчителя, орієнтовані на покращення якості і надійності даних. Мета роботи — дослідження ефективності алгоритмів кластерного аналізу при розробці системи гібридної кластеризації за допомогою масштабованих хмарних обчислювальних технологій та сучасних технологій зберігання інформації. Метод дослідження. Розробка багатошарового алгоритму кластеризації. Порівняльний аналіз типових алгоритмів кластеризації із багатошаровою гібридною кластеризацією, Data Mining, Big Data. Наукова новизна полягає у нівелюванні типових для кластерного аналізу похибок алгоритмів та підвищенні якості вихідних даних за рахунок використання багатошарової гібридної кластеризації. Практичне значення полягає у підвищенні надійності отриманих даних, порівняно зі звичайними методами кластерного аналізу.