Виділення закономірностей та тенденцій поведінки похибок з масивів даних вимірювань

Abstract

В бакалаврській роботі проведені дослідження з аналізу похибок у масивах даних вимірювань. Проведені порівняння методів машинного навчання з учителем (логістична регресія, метод опорних векторів (SVM), XGBoost) та без учителя (ізоляційний ліс, автоенкодер) для ідентифікації грубих похибок (аномалій) у модельних даних, що моделюють нормальні вимірювання та аномалії. Розроблені рекомендації щодо практичного використання методів машинного навчання для виділення закономірностей та тенденцій поведінки похибок у масивах даних вимірювань.