Издательство
Каталог
Авторам
Рекламодателям
КонтактыВНИМАНИЕ!
Новый адрес редакций журналов Колодезный пер., 2 А.
ООО «Издательство «Инновационное машиностроение»
- КНИГИ Прайс-лист
- ЖУРНАЛЫ Прайс-лист
Книги и журналы, просмотренные ранее
Статьи автора
К последнему номеру журналаВсе статьи автора в журнале: Денисенко В.В.
- Программно-технические средства искусственного интеллекта в условиях онлайн-трансформацииArtificial intelligence software and hardware in the context of online transformationАвторы статьиAuthorsСкрыпников А.В.Skrypnikov A.V.Денисенко В.В.Denisenko V.V.Высоцкая И.А.Vyisotskaya I.A.Демичев С.Е.Demichev S.E.Берестовой А.А.Berestovoy A.A.i.a.trishina@gmail.comi.a.trishina@gmail.com
Программно-технические средства искусственного интеллекта в условиях онлайн-трансформации
УДК 004.5
Представлены результаты анализа подходов к обучению и взаимодействию искусственного интеллекта при создании чат-ботов и обусловлена их актуальность в современных условиях. Определены основные этапы проектирования чат-ботов с искусственным интеллектом.
Ключевые слова
искусственный интеллект; проектирование программ; чат-бот
Artificial intelligence software and hardware in the context of online transformation
The analysis results of approaches to teaching and interaction of artificial intelligence in the creation of chat bots are presented and their relevance in modern conditions is determined. The main stages of designing chat bots with artificial intelligence are determined.
Keywords
artificial intelligence; software design; chat bot
- Оптимизация гиперпараметров в моделях машинного обучения: сравнительное исследованиеHyperparameter optimization in machine learning models: a comparative studyАвторы статьиAuthorsДенисенко В.В.Denisenko V.V.Маслов А.А.Maslov A.A.Чесников Л.С.CHesnikov L.S.Клименко К.С.Klimenko K.S.imasslove@mail.ruimasslove@mail.ru
Оптимизация гиперпараметров в моделях машинного обучения: сравнительное исследование
УДК 004.85
DOI: 10.36652/0869-4931-2023-77-10-475-480
Проведено сравнительное исследование методов гиперпараметрической оптимизации в моделях машинного обучения. Дана оценка производительности различных методов оптимизации на таких типах моделей, как: машины опорных векторов, деревья решений и нейронные сети. Проведены оценка влияния гиперпараметров на производительность модели и сравнение эффективности различных методов оптимизации. Полученные результаты дают представление об эффективности методов гиперпараметрической оптимизации и могут использоваться при выборе наилучшего метода. Результаты работы могут представлять интерес для исследователей в области машинного обучения, которые стремятся повысить производительность своих моделей за счет оптимизации гиперпараметров.
Ключевые слова
оптимизация гиперпараметров, машинное обучение, сравнительное исследование, машины опорных векторов, деревья решений, нейронные сети, поиск по сетке, случайный поиск, байесовская оптимизация, производительность модели, методы оптимизации
Hyperparameter optimization in machine learning models: a comparative study
A comparative study of hyperparametric optimization methods in machine learning models is carried out. The evaluation of the various optimization methods performance on such types of models as support vector machines, decision trees and neural networks is given. The influence of hyperparameters on the model performance is evaluated and the effectiveness of various optimization methods is compared. The results obtained give an idea of the hyperparametric optimization methods effectiveness and can be used to select the best method. The work results may arouse interest in researchers in the field of machine learning who seek to improve the performance of their models by optimizing hyperparameters.
Keywords
hyperparameter optimization, machine learning, comparative study, support vector machines, decision trees, neural networks, grid search, random search, Bayesian optimization, model performance, optimization methods
- Инновационные подходы к оптимизации больших языковых моделейInnovative approaches to optimization of large language modelsАвторы статьиAuthorsБерестовой А.А.Berestovoy A.A.Денисенко В.В.Denisenko V.V.Чесников Л.С.CHesnikov L.S.berestovoy_1991@mail.ru, v.denisenko1@yandex.ru, leonid.chesnikov@yandex.ruberestovoy_1991@mail.ru, v.denisenko1@yandex.ru, leonid.chesnikov@yandex.ru
Инновационные подходы к оптимизации больших языковых моделей
УДК 004
DOI: 10.36652/0869-4931-2025-79-6-264-269
Рассмотрены современные методы и подходы к улучшению больших языковых моделей (LLM), включая оптимизацию архитектуры, повышение качества обучающих данных, внедрение новых стратегий обучения и учет этических аспектов. Приведены теоретические основы каждого метода, сопровождаемые примерами использования современных технологий и моделей GPT-4, Llama 3.2 и Claude 3.5, что позволяет лучше понять их практическое применение и значимость.
Ключевые слова
большие языковые модели, подходы, методы, оптимизация архитектуры
Innovative approaches to optimization of large language models
Modern methods and approaches to improving large language models (LLM), including architecture optimization, improving the quality of training data, introducing new learning strategies and taking into account ethical aspects are considered. The theoretical foundations of each method are given, accompanied by examples of using modern technologies and models GPT-4, Llama 3.2 and Claude 3.5, which allows for a better understanding of their practical application and significance are given.
Keywords
large language models, approaches, methods, architecture optimization
