Методы машинного обучения в малом бизнесе: содержание и управление


https://doi.org/10.21686/2413-2829-2019-6-83-95

Полный текст:




Аннотация

В статье рассмотрены ключевые характеристики стандартных методов машинного обучения, используемых компаниями в операционных бизнес-процессах. В условиях отечественного курса на развитие инновационного бизнеса, цифровой экономики и инфраструктуры для хранения данных человеческий фактор приобретает ключевое значение. Применение методов искусственного интеллекта в работе сотрудников малых предприятий встречает препятствия, которые заключаются в том числе и в отсутствии представлений у персонала о стратегической функциональности существующих в настоящее время алгоритмов бизнес-процессов. Малые коммерческие предприятия сталкиваются с проблемой незнания основных инструментальных принципов функционирования и использования алгоритмов машинного обучения. Вместе с тем бизнес-процессы предприятия могут быть качественно улучшены благодаря имплементации (реализации) алгоритмов машинного обучения. Авторами приведен формальный и аналитический обзор существующих базовых алгоритмов, используемых рядом крупных коммерческих компаний в качестве потенциального средства для оптимизации бизнеса малого предприятия. Описаны виды алгоритмов и моделей машинного обучения – множественная модель регрессии, логистическая регрессия и др., а также инструментальные проблемы их использования аналитиками и разработчиками предприятия. Даны рекомендации по применению данных моделей для повышения эффективности работы малых коммерческих предприятий.  


Об авторах

С. А. Тищенко
Московский государственный университет имени М. В. Ломоносова
Россия

Сергей Александрович Тищенко  – кандидат физико-математических наук, доцент кафедры экономической информатики  

119991, Москва,  Ленинские горы, д. 1



М. А. Шахмурадян
Московский государственный университет имени М. В. Ломоносова
Россия

Михаил Андреевич Шахмурадян  – аспирант кафедры экономики  инноваций

119991, Москва,  Ленинские горы, д. 1



Список литературы

1. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. – М. : Финансы и статистика, 2004.

2. Брукшир Дж. Информатика и вычислительная техника. – 7-е изд. – СПб. : Питер, 2004.

3. Гмах Д., Ролиа Д., Черкасова Л., Кемпер А. Управление вычислительной мощностью и прогнозирование потребностей центров обработки данных // Информационная безопасность. – 2008. – № 2 (112). – URL: https://www.bytemag.ru/articles/detail.php?ID=11622

4. Грас Дж. Data Science. Наука о данных с нуля : пер. с англ. – СПб. : БХВ-Петербург, 2017.

5. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. – 2-е изд., испр. – М. : ДМК Пресс, 2018.

6. Дэви С., Мейсман А., Мохамед А. Основы Data Science и Big Data. Python и наука о данных. – СПб. : Питер, 2017.

7. Козлов А., Котов К., Седов С. 3 примера применения машинного обучения для бизнеса, чтобы использовать бизнес-процессы. – URL: https://www.gd.ru/articles/9073-mashinnoe-obuchenie (дата обращения: 01.11.2019).

8. Николенко С. И., Тулупьев А. Л. Самообучающиеся системы. – М. : МЦНМО, 2009.

9. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. – СПб. : Питер, 2018.

10. Орешков В. И., Васильев Е. П. Совершенствование процесса принятия управленческих решений в экономике и бизнесе на основе применения интеллектуального анализа данных // Фундаментальные исследования. – 2012. – № 9-4. – С. 965–971. – URL: http://www.fundamental-research.ru/ru/article/view?id=30432 (дата обращения: 20.03.2019).

11. Плас В. Дж. Python для сложных задач: наука о данных и машинное обучение. – СПб. : Питер, 2018.

12. Саттон Р. С., Барто Э. Г. Обучение с подкреплением : пер. с англ. – М. : Бином, 2011.

13. Сегаран Т. Программируем коллективный разум : пер. с англ. – СПб. : Символ-Плюс, 2008.

14. Тарик Р. Создаем нейронную сеть : пер. с англ. – СПб. : ООО «Альфа-книга», 2017.

15. Траск Э. Грокаем глубокое обучение. – СПб. : Питер, 2019. – (Серия «Библиотека программиста»).

16. Amunategui M., Roopaei M. Monetizing Machine Learning: Quickly Turn Python ML Ideas into Web Applications on the Serverless Cloud. – New York : Apress, 2018.

17. Bishop C. M. Pattern Recognition and Machine Learning. – New York : Springer Science + Business Media, LLC, 2006. – URL: https://pdfs.semanticscholar.org/8f8f/9222d66a30f1f4026dc1035ef10f9ccd079d.pdf (дата обращения: 06.11.2018).

18. Bonaccorso G. Machine Learning Algorithms: Popular Algorithms for Data Science and Machine Learning. – 2nd edition. – Birmingham, UK : Published by Packt Publishing Ltd., 2018.

19. Dangeti P. Statistics for Machine Learning. – Birmingham, UK : Published by Packt Publishing Ltd., 2017.

20. Fox C. Data Science for Transport : Springer Textbooks in Earth Sciences, Geography and Environment. – Springer, 2018.

21. Kevin P. Murphy Machine Learning A Probabilistic Perspective. – Cambridge : The MIT Press Cambridge, 2012.

22. Lakshmi P. Y. Big Data Analytics Made Easy. – Chennai, India : Notion Press, 2016.

23. Leaders look to embrace AI, and high-growth companies are seeing the benefits. – URL: https://news.microsoft.com/europe/features/leaders-look-to-embrace-ai-and-high-growth-companies-are-seeing-the-benefits/ (дата обращения: 10.03.2019).

24. Liu Y. Python Machine Learning by Example: Implement Machine Learning Algorithms and Techniques to Build Intelligent Systems. – 2nd edition. – Birmingham, UK : Published by Packt Publishing Ltd., 2019.

25. Marr B. Big Data: Using Smart Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance. – United Kingdom, 2015. – URL: https://www.wiley.com/en-us/Big+Data%3A+Using+SMART+Big+Data%2C+Analytics+and+Metrics+To+Make+Better+Decisions+and+Improve+Performance-p-9781118965832

26. Minichino J., Howse J. Learning Open CV 3 Computer Vision with Python. – 2nd edition. – Birmingham, UK : Published by Packt Pulishing Ltd., 2015.

27. Provost F., Fawcett T. Data Science for Business. – Sebastopol : O’Reilly Media, Inc., 2013.

28. Raman A., Hyong Tok W. A Developer’s Guide to Building AI Aplications. – Sebastopol : O’Reilly Media, Inc., 2018.

29. Rosing M., Scheer A., Scheel H. The Complete Business Process Handbook: Body of Knowledge from Process Modeling to BPM. – Vol. 1. – Elsevier Inc., 2015.

30. Yawen L., Yang L., Yang B., Wang N., Wu T. Application of Interpretable Machine Learning Models for the Intelligent Decision // Neurocomputing. – 2019. – Vol. 333. – P. 273–283.

31. Zhang J., Zhan Z., Lin Y., Chen N., Gong Y., Zhong J. Evolutionary Computation Meets Machine Learning: A Survey // Ieee Computational Intelligence Magazine. – 2011. – November. – URL: http://www.dblab.ntua.gr/~gtsat/collection/Machine%20Learning/06052374.pdf (дата обращения: 03.10.2018).


Дополнительные файлы

Для цитирования: Тищенко С.А., Шахмурадян М.А. Методы машинного обучения в малом бизнесе: содержание и управление. Вестник Российского экономического университета имени Г. В. Плеханова. 2019;(6):83-95. https://doi.org/10.21686/2413-2829-2019-6-83-95

For citation: Tishchenko S.A., Shakhmuradian M.A. Methods of Machine-Aided Training in Small Business: Content and Management. Vestnik of the Plekhanov Russian University of Economics. 2019;(6):83-95. (In Russ.) https://doi.org/10.21686/2413-2829-2019-6-83-95

Просмотров: 687

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2413-2829 (Print)
ISSN 2587-9251 (Online)