Skip navigation
Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: https://libeldoc.bsuir.by/handle/123456789/39431
Название: Способы машинного обучения для выявления ошибок выполнения упражнений на Smart-тренажере
Авторы: Кукареко, А. В.
Нестеренков, С. Н.
Ключевые слова: материалы конференций;интернет вещей;временные ряды;нейронные сети;internet of things;time series;neural networks
Дата публикации: 2020
Издательство: Беспринт
Описание: Кукареко, А. В. Способы машинного обучения для выявления ошибок выполнения упражнений на Smart-тренажере / А. В. Кукареко, С. Н. Нестеренков // BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня: сборник материалов VI Международной научно-практической конференции, Минск, 20-21 мая 2020 года: в 3 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ;редкол.: В. А. Богуш [и др.]. – Минск, 2020. – С. 214–224.
Аннотация: В докладе рассматривается возможность использования алгоритмов машинного обучения и нейронных сетей для классификации качества выполнения упражнения по показаниям с датчика установленного на "умном" тренажере. Демонстрируется полученный результат и оценка решения задачи. Использовались следующие виды алгоритмов машинного обучения: метод опорных векторов, LSTM-сети и сверточные LSTM-сети.
Аннотация на другом языке: The report considers the possibility of using machine learning algorithms and neural networks to classify the quality of the exercises according to data from a sensor installed on a smart training machine. The reached result is demonstrated along with the whole solution evaluation. The following types of machine learning algorithms were used: SVM, LSTM, and convolutional-LSTM networks.
URI: https://libeldoc.bsuir.by/handle/123456789/39431
ISBN: 978-985-90533-9-9
Располагается в коллекциях:BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : материалы конференции (2020)

Файлы этого ресурса:
Файл Описание РазмерФормат 
Kukareko_Sposoby.pdf1.14 MBAdobe PDFОткрыть
Показать полное описание Просмотр статистики Google Scholar

Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.