Разработка рекомендательной интеллектуальной системы с функционалом биометрии

ВВЕДЕНИЕ 3
Глава 1. Теоретико – методологические основы разработки рекомендательных систем 6
1.1 Анализ архитектуры рекомендательной системы 6
1.1. Анализ интеллектуальных систем обработки визуальной информации 13
1.3 Обзор существующих методов классификации визуальной информации 16
Раздел 2. Практическая часть 26
2.1 Разработка архитектуры интеллектуальной систем 26
2.2 Программная реализация 32
2.3 Оценка функциональности системы 38

Весь текст будет доступен после покупки

В наше время технология искусственного интеллекта доказывает своё преимущество над классическими алгоритмами. Это повлекло за собой широкое использование ИИ во всех сферах деятельности человека, заменяя предпочитаемые ранее алгоритмы. Некоторые технологии искусственного интеллекта существуют уже более 50 лет, но достижения в области вычислительной мощности, доступность огромных объемов данных и новые алгоритмы привели к крупным прорывам в области искусственного интеллекта в последние годы. Хоть в повседневной жизни можно очень часто встретить искусственный интеллект, ожидается что в скором времени произойдет прорыв в этой области Одной из таких областей является компьютерное зрение, которое связано с анализом графической информации, представленной, например, изображениями или видео. Компьютерное зрение включает в себя набор методов, которые используются для того, чтобы передать компьютеру способностью «видеть» и извлекать из этого информацию, которую будет использовать для последующего решения задач, связанных с распознаванием изображений и видео, их анализом и классификацией. Развитие этой области с течением времени, стало основываться на применении технологии свёрточных нейронных сетей.

Весь текст будет доступен после покупки

Глава 1. Теоретико – методологические основы разработки рекомендательных систем

1.1 Анализ архитектуры рекомендательной системы

В последнее время популярность рекомендательных систем значительно выросла. Это обусловлено желанием компаний упростить взаимодействие пользователя с продуктом в той или иной ситуации, для получения прибыли. Эти системы в автоматическом или полуавтоматическом порядке подбирают для клиента наиболее подходящие варианты на базе их предпочтений, требований или каких-либо личностных черт. Так как данные системы весьма востребованы, то активно ведутся попытки разработки универсальных рекомендательных систем, которые будут удовлетворять большему спектру требований.
На данный момент существуют следующие решения, которые связаны с созданием рекомендательных систем:
• Системы с модулем рекомендаций для какой-либо определённой предметной области. Подобные системы активно используют такие компании как Netflix, Amazon, YouTube и множество других
• Исследования, направленные на создание универсальных рекомендательных систем, направленных на работу с различными предметными областями. Самым известным подобным исследовательским прототипом является система Unresyst. А также различные библиотеки, в которых реализованы методы, которые могут быть использованы для создания собственной рекомендательной системы, например: Crabs, RankSys и LensKit
• Универсальные рекомендательные системы, которые представляют собой законченный готовый продукт, способный подстроится под любую задачу, такие как Apache Prediction IO
Для сравнения подобных систем принято выделять следующие критерии:
1. настройка системы на любую предметную область;
2. возможность интеграции системы в продукт сторонних разработчиков;
3. наличие компонент сбора данных для дальнейшего формирования оценок;
4. наличие модуля анализа для обеспечения качества данных и рекомендаций;
5. наличие готового программного продукта на рынке программного обеспечения.

Весь текст будет доступен после покупки

1. Осовский, С. Нейронные сети для обработки информации: монография / С. Осовский. — Москва: изд. Горячая линия–Телеком, 2017 — 448с.
2. Шолле, Ф. Глубокое обучение на Python. / Ф. Шолле — Санкт-Петербург: изд. Питер, 2018. —400с.
3. Afaq, S. A Guide to Convolutional Neural Networks for Computer Vision (Synthesis Lectures on Computer Vision) / Syed Afaq, Salman Khan, Hossein Rahmani, Ali Shah. — San Rafael : Morgan & Claypool Publishers, 2018. — 196p.
4. Aquado, A. Feature Extraction and Image Processing for Computer Vision / Alberto Aquado, Mark Nixon. — Boston : Academic Press, 2019 — 650p.
5. Bengio, Y. Deep Learning / Yoshua Bengio, Ian Goodfellow, Aaron Courville // Cambridge : MIT Press, 2016. — 326p.
6. Guido, S. Introduction to Machine Learning with Python: A Guide for Data Scientists / Andreas C. Muller, Sarah Guido. — Sebastopol: O’Reilly — 2016. — 400p.
7. Halsey, W. Artificial intelligence. / Wilson Halsey. — Amenia : Grey House, 2018. — 200p.

Весь текст будет доступен после покупки