İnformasiya texnologiyalarının sürətli inkişafı aparat və proqram təminatı üzərinə yüksək tələblər qoymuşdur. Proqram təminatı sənayesi üçün keyfiyyətli proqram sistemlərinin işlənməsi və sifarişçilərin tələblərinə cavab verməsi ən vacib məsələlərdən biridir. Proqram sistemlərinin mürəkkəbliyi artmaqda davam edir, bu isə onda olan xətaların sayının artmasına səbəb olur.

İnformasiya Texnologiyaları İnstitutunun 7 saylı şöbəsinin növbəti onlayn elmi seminarında institutun böyük elmi işçisi Tamilla Bayramova “Proqram sistemi xətalarının proqnozlaşdırılmasında maşın təlimi metodlarının tətbiqi” mövzusunda məruzəni təqdim edərkən bu barədə məlumat verib.

Tədqiqatçı proqram sistemi xətalarının proqnozlaşdırılması, ansambl təlimi metodları, xətaların proqnozlaşdırılması üçün yeni ansambl təlimi metodunun işlənməsi, təklif olunan metodun eksperimental tədqiqi haqqında məlumat verib.

Sonra proqram sistemi xətalarının proqnozlaşdırılması haqqında bəhs edən məruzəçi bu prosesin iki strategiya – reqressiya və klassifikasiya üzrə aparıldığını diqqətə çatdırıb: “Reqressiya metodlarının məqsədi proqram sistemində olan xətaların sayını proqnozlaşdırmaqdır. Klassifikasiya metodları isə proqram modulunun xətalı olub-olmamasını müəyyən edir. Klassifikasiya modelləri əvvəlki versiyadan məlum olan proqram xətaları əsasında öyrədilir”.

T. Bayramova proqram xətalarının proqnozlaşdırılmasını təkmilləşdirmək üçün müxtəlif maşın təlimi metodlarından istifadə edildiyini də qeyd edib. Vurğulayıb ki, bu sahədə ən çox istifadə edilən metodlara “Trees”, “Bayesian learners” (BL), “Neural Networks” (NN), “Support vector machines”, “Rule based learning” (RBL) və “Ensemble learners” (EL) daxildir.

Daha sonra tədqiqatçı ansambl təlimi metodlarından söz açıb. Bildirib ki, ansambl təlimi metodlarının  üç əsas – “boosting”, “bagging” və “stacking” kimi sinifləri var: “Bagging” ansambl modelinin əsas elementlərini təlim verilənlər toplusundan ilkin altverilənlərin yüklənməsi, yüklənmiş hər alt verilənləri üçün qərar ağacının formalaşması və qərarlar əsasında səsvermə və ya orta qiymətin hesablanması yolu ilə yekun qərar qəbul edilməsi kimi izah etmək olar”.

Onun sözlərinə görə, “stacking” adətən ikisəviyyəli iyerarxiyaya malik olur. “Boosting” ansambla daxil olan modellər isə ardıcıl olaraq əlavə edilir. Hər bir model özündən əvvəlki modelin proqnozunu korreksiya edir və proqnozun çəkili orta qiymətini hesablayır. Bu qiymətlərin əsasında növbəti modelin proqnozu hesablanır.

Məruzəçi aparılmış eksperimentlərlərə əsaslanaraq təklif edilən ansambl metodunun ayrı-ayrı maşın təlimi metodlarına nisbətən daha dəqiq proqnoz verdiyini vurğulayıb.

© Bütün hüquqlar qorunur. Xəbərlərdən istifadə edərkən www.iсt.az saytına istinad zəruridir.