Мажуль, Лидия Алексеевна. Память как фундамент информационных процессов [Текст] / Л. А. Мажуль> // Мир психологии. - 2015. - № 2. - С. 204-221. - Библиогр.: с. 220-221 (24 назв.). - полный текст статьи см. на сайте Научной электронной библиотеки http://elibrary.ru
Рубрики: Психология Общая психология Кл.слова (ненормированные): бинарные классификации -- долговременная память -- знаки -- информация -- кодирование -- кратковременная память -- память -- символы -- тернарность Аннотация: В статье говорится, что для лучшей переработки информации, поступающей в долговременную память из кратковременной, необходимо "упрощающее кодирование" - переход от образов в систему знаков и понятий с учетом оптимальности бинарных и тернарных классификаций. Нет сведений об экземплярах (Источник в БД не найден) |
Буланов, В. А. Метод деревьев решений для задач бинарной и мультиклассовой классификации [Текст] = Method of trees solutions for binary and multiclass classification problems / В. А. Буланов, О. Е. Фомичева> // Инженерная физика. - 2020. - № 3. - С. 19-26 : диагр., ил., табл. - Библиогр.: с. 26 (2 назв.) . - ISSN 2072-9995
Рубрики: Вычислительная техника Программирование ЭВМ. Компьютерные программы. Программотехника Кл.слова (ненормированные): метод деревьев решений (вычислительная техника) -- бинарные классификации -- мультиклассовые классификации (вычислительная техника) -- машинное обучение -- языки программирования -- Python -- scikit-learn Аннотация: Рассматривается применение моделей машинного обучения с учителем на базе деревьев решений для задач бинарной и мультиклассовой классификации. Затрагиваются такие темы, как предварительная обработка данных и метрики оценки обобщающей способности модели после обучения. При выполнении работы использованы модели машинного обучения из библиотеки scikit-learn для языка Python.The application of machine learning models with a teacher on the basis of decision trees for binary and multiclass classfication problems is considered. Topics such as data preprocessing and metrics for assessing the generalizing ability of a model after training are discussed. When doing the work, machine learning models from the scikit-learn library for the Python language were used. Доп.точки доступа: Фомичева, О. Е. Нет сведений об экземплярах (Источник в БД не найден) |