АВТОМАТИЧНА КЛАСИФІКАЦІЯ ЗАДАЧ З ВИКОРИСТАННЯМ ЗАСОБІВ ML.NET - Scientific conference

Congratulation from Internet Conference!

Hello

Рік заснування видання - 2011

АВТОМАТИЧНА КЛАСИФІКАЦІЯ ЗАДАЧ З ВИКОРИСТАННЯМ ЗАСОБІВ ML.NET

03.03.2023 18:26

[1. Information systems and technologies]

Author: Боднарчук Сергій Ігорович, бакалавр, Чернівецький національний університет імені Ю. Федьковича, м. Чернівці


У наш час створюється, розвивається і підтримується дуже багато проектів і стартапів. Здебільшого вони кардинально відрізняються підходами до розробки, технологіями, розмірами команд. Проте у всіх проектів є спільна риса – вони використовують системи управління проектами, обов’язково частиною яких є системи відстежування помилок (багтрекери), такі як Jira, Bugzilla, GitHub [1].

Оскільки з ростом проекту збільшується і кількість задач, які мають бути вирішені, на їх створення і класифікацію витрачається все більше і більше часу. Головними перевагами автоматичної класифікації є:

1. Підвищення ефективності роботи – розробники витрачають менше часу на опис задачі.

2. Точність класифікації – методи машинного навчання дозволяють класифікувати задачі з високою точністю.

3. Мінімізація людської помилки – робота з описом задач є дуже монотонною і через це часто приводить до помилок.

Для вирішення подібних задач чудово підходить машинне навчання, оскільки модель створюється на основі зразків [2]. У нашому випадку зразками можуть бути задачі створені до впровадження автоматичної класифікації.

Метою роботи є створення навченої моделі здатної класифікувати задачі у системах відстежування помилок. Щоб працювати з моделлю було створено .Net додаток. NET - це середовище розробки програмного забезпечення, створене корпорацією Майкрософт, яке дозволяє розробникам створювати широкий спектр додатків, включаючи веб-додатки, десктопні, мобільні, ігрові, додатки для Інтернету речей та штучного інтелекту. Вона надає середовище виконання, а також набір бібліотек та інструментів для створення та розгортання додатків на різних платформах [3]. Для створення моделей використовувалась бібліотека ML.NET. Центральним елементом ML.NET є модель машинного навчання. Модель визначає кроки, необхідні для перетворення вхідних даних у прогноз. За допомогою ML.NET можна навчити власну модель, вказавши алгоритм, або імпортувати попередньо навчені моделі TensorFlow і ONNX.

Для навчання моделі важливим етапом є вибір алгоритму (стратегії)  навчання. Оскільки задачі можуть бути 2 і більше типів, тому потрібно використовувати багатокласову класифікацію (multi-class classification). Було вирішено використовувати алгоритм one-vs-rest з використанням алгоритму бінарної класифікації averaged perceptron для кожного окремого класифікатора.

В алгоритмі one-vs-rest для набору n екземплярів класів потрібно згенерувати n бінарних класифікаторів. Кожен бінарний класифікатор навчається окремо і буде передбачати ймовірність для свого екземпляру класу [4]. При передбачені буде отримано екземпляр того класу, бінарний класифікатор якого повернув найбільше значення.

Результатом роботи є навчена модель для класифікації задач та додаток, котрий дозволяє працювати з моделлю.

Література

1. Багтрекер: [Електронний ресурс] – Режим доступу: https://uk.wikipedia.org/wiki/%D0%91%D0%B0%D0%B3%D1%82%D1%80%D0%B5%D0%BA%D0%B5%D1%80

2. Machine learning: [Електронний ресурс] – Режим доступу: https://en.wikipedia.org/wiki/Machine_learning

3. What is .NET? Introduction and overview: [Електронний ресурс] – Режим доступу: https://learn.microsoft.com/en-us/dotnet/core/introduction

4. Multi-class classification – One-vs-all and One-vs-one: [Електронний ресурс] – Режим доступу: https://towardsdatascience.com/multi-class-classification-one-vs-all-one-vs-one-94daed32a87b


_____________________

Науковий керівник: Одайська Христина Савеліївна, кандидат технічних наук, Чернівецький національний університет імені Юрія Федьковича




Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter
Сonferences

Conference 2024

Conference 2023

Conference 2022

Conference 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення