Бидний тухай
Багш ажилтан
Үл хөдлөх хөрөнгө нь хувь хүмүүс төдийгүй үндэсний эдийн засгийн чухал хүчин зүйл юм. Тиймээс үл хөдлөх хөрөнгийн үнэ цэнэ эсвэл үл хөдлөх хөрөнгийн үнэлгээг урьдчилан таамаглах нь зөвхөн худалдан авагчдад төдийгүй үл хөдлөх хөрөнгийн агент, эдийн засагч, банк санхүү, бодлого боловсруулагчдад ач холбогдолтой, идэвхтэй судалгааны салбар юм. Манай улсын хувьд үл хөдлөх хөрөнгийн үнэлгээг шууд таамаглах судалгааны ажил харьцангуй цөөн тул бид үл хөдлөх хөрөнгийн мэргэжлийн байгууллагаас гаргасан өгөгдлийг ашиглан Улаанбаатар хотын орон сууцны үнийг үнэн зөв таамаглах хамгийн үр дүнтэй аргыг тодорхойлох ажлыг хийхийг зорьлоо. Тодруулбал бид 2019 онд ашиглалтанд орсон 61106 өрхийн, 418 төсөл буюу орон сууцны өгөгдөл хүлээн авч, түүнийг цэвэрлэн боловсруулж Linear regression, Lasso болон Ridge regression, XGBoost, Random forest, Support vector machine, Decision tree, AdaBoost, ElasticNet машин сургалтын аргуудыг харьцуулан судалсан. Эдгээр аргууд нь сайн үр дүн үзүүлснээс XGBoost болон Random forest нь Улаанбаатар хотын үл хөдлөх хөрөнгийн үнийг урьдчилан таамаглахад маш чухал хувилбар болсон.
Сагсан бөмбөгийн тоглолтод хожил байгуулахад нөлөөлөх гол хүчин зүйлсийн нэг нь шидэлтийн сонголт юм. Гэвч тухайн шидэлт оновчтой болох магадлал нь хэд хэдэн хүчин зүйлээс шалтгаалдаг тул тоглолтын явцад ялангуяа тоглолтын төгсгөлд довтолгоог хэрхэн зохион байгуулах (шидэлтийг хаанаас гүйцэтгэх) шийдвэр гаргахад дасгалжуулагч, тамирчдад хүндрэлтэй байдаг. Үүнээс шалтгаалан бид шидэлтийн оновчийг урьдчилан тооцоолоход машин сургалтын арга, техникийг ашиглах судалгаа хийлээ. Бид энэхүү судалгааны ажлаар Монгол улсын сагсан бөмбөгийн дээд лигийн 2023-2024 оны улирлын тоглолтын шидэлтийн мэдээллийг цуглуулж өгөгдлийн сан бий болгон, сагсан бөмбөгийн талбайн аль хэсгээс шидэлт гүйцэтгэсэн байршлаар тухайн шидэлтийн оновчийг таамаглах аргыг боловсрууллаа. Тодруулбал бид Монгол улсын сагсан бөмбөгийн дээд лигийн тоглолтын бичлэг үзэн, тоглогч шидэлт гүйцэтгэх үед шидэлтийн байршил болон шидэлт амжилттай болсон эсэхийг бүртгэсэн ба нийт 13 багийн 110 тоглолтын 15,048 мөр шидэлтийн өгөгдлийг цуглуулсан. Цуглуулсан өгөгдөл дээр машин сургалтын арга ашиглан судалгаа, таамаглал хийж, гарсан үр дүнг хооронд нь харьцуулж, хамгийн сайн машин сургалтын аргыг олохыг зорив. Бид K-Nearest Neighbors (KNN), Logistic Regression болон Random forest машин сургалтын аргуудыг ашиглан шидэлтийн оновчийг 57-65 хувийн амжилттайгаар урьдчилан таамаглаж чадсан.
Хөгжингүй орнууд хот, хөдөө орон нутгийн нийтийн тээврийн мэдээлэл, цагийн хуваарийг нэгдсэн мэдээллийн сан (Google maps гэх мэт)-д оруулж, гадаад дотоодын жуулчдад утасны аппликейшн ашиглан аяллын маршрут, хугацааг оновчтой төлөвлөх боломжийг олгосон байдаг. Харин Монгол улсын хувьд орон нутгийн тээврийн сүлжээний нэгдсэн мэдээллийн сан байдаггүйгээс хөдөө орон нутагт аяллын маршрут төлөвлөхөд хүндрэл учирдаг. Нөгөөтэйгүүр, жил ирэх тусам монголын хүн ам нэмэгдэж, хөдөө орон нутаг руу зорчих иргэдийн тоо нэмэгдэхийн сацуу монголыг зорин ирэх жуулчдын тоо ч нэмэгдэж байна. Иймд, хөдөө орон нутгийн тээврийн сүлжээний өгөгдлийг нэгтгэн аяллын хуваарийг санал болгох шаардлага бий болж байна. Бид энэхүү судалгааны ажлаар Монгол улсын орон нутгийн автобус, галт тэрэгний мэдээлэл, цагийн хуваарийн өгөгдлийг цуглуулж нэгдсэн граф өгөгдлийн санг бий болгон, орон нутгийн нийтийн тээврийн цагийн хуваарь болон холбогдох газарзүйн өгөгдлийн нийтлэг стандартын дагуу өгөгдлөө боловсруулж, улмаар аяллын цагийн хуваарь, зогсолт хоорондын зайг олох боломжтой RAPTOR алгоритмыг ашиглан аяллын хуваарь санал болгох туршилтуудыг хийж гүйцэтгэлээ.
программ хангамжийн бүтээгдэхүүн хурдацтай нэмэгдэж буй өнөө үед программ хангамжийн алдаа, согогийг аль болох эрт урьдчилан таамагласнаар төслийн нийт зардлыг бууруулж, төсөл амжилттай хэрэгжихэд чухал нөлөөтэй. Одоо байгаа программ хангамжийн согогийг урьдчилан таамаглах аргууд нь программ хангамжийн хөгжлийн амьдралын мөчлөгийн (SDLC) хэрэгжүүлэлтийн үе шат эсвэл шалгалтын үе шатанд байгаа эх код дээр тулгуурладаг. Энэ судалгааны ажилд SDLC-ийн зохиомжийн үе шатанд сэжигтэй классыг таамаглах зохиомжийн статик хэмжүүрт суурилсан машин сургалтын аргыг санал болгож байна. Тодруулбал, бид эхлээд жава эх код бүхий PROMISE өгөгдлийн багцаас урвуу инженерчлэлийн аргаар UML статик загвар гарган, түүнээс зохиомжийн статик хэмжүүр бүхий өгөгдлийн багц үүсгэж, сэжигтэй классыг машин сургалтын арга ашиглан таамаглах туршилтыг гүйцэтгэнэ. PROMISE өгөгдлийн багц дээрх туршилтын үр дүнгээс харахад бидний арга нь эх кодоос статик хэмжүүрт суурилсан хувилбараас дутахгүй үр дүн харуулж байгааг батлан харуулна.
Програм хангамжийн бүтээгдэхүүн хурдацтай нэмэгдэж буй өнөө үед програм хангамжийн алдаа, согогийг аль болох эрт урьдчилан таамагласнаар төслийн нийт зардлыг бууруулж, төсөл амжилттай хэрэгжихэд чухал нөлөөтэй. Одоо байгаа програм хангамжийн согогийг урьдчилан таамаглах аргууд нь програм хангамжийн хөгжлийн амьдралын мөчлөгийн (SDLC) хэрэгжүүлэлтийн үе шат эсвэл шалгалтын үе шатанд байгаа эх код дээр тулгуурладаг. Энэ судалгааны ажилд SDLC-ийн зохиомжийн үе шатанд сэжигтэй классыг таамаглах зохиомжийн статик хэмжүүрт суурилсан машин сургалтын аргыг санал болгож байна. Тодруулбал, бид эхлээд жава эх код бүхий PROMISE өгөгдлийн багцаас урвуу инженерчлэлийн аргаар UML статик загвар гарган, түүнээс зохиомжийн статик хэмжүүр бүхий өгөгдлийн багц үүсгэж, сэжигтэй классыг машин сургалтын арга ашиглан таамаглах туршилтыг гүйцэтгэнэ. PROMISE өгөгдлийн багц дээрх туршилтын үр дүнгээс харахад бидний арга нь эх кодоос статик хэмжүүрт суурилсан хувилбараас дутахгүй үр дүн харуулж байгааг батлан харуулна.
Тамирчдын гүйцэтгэлийн өгөгдлийг зөв аргачлалаар шинэжилж, үнэлэх нь тамирчид, дасгалжуулагч, сэтгэл зүйч нарт өөрийн болон өрсөлдөгч тамирчны үр дүнг таамгаар бус бодитоор үнэлэх, харьцуулах, цаашлаад тамирчдын сул болон давуу талыг олж харахад тусалдаг. Харин Монгол улсын хувьд өнөөг хүртэл спортын өгөгдөлд өгөгдлийн шинжилгээ хийсэн судалгаа хангалтгүй байна. Энэхүү ажлаар бид жүдо бөхийн тамирчдын гүйцэтгэлийн өгөгдлийг вэб скрапинг хийн цуглуулж, өгөгдлийг цэвэрлэн боловсруулж тамирчдын гүйцэтгэлд дүн шинжилгээ хийнэ. Ингэхдээ бид тамирчдын ижил төстэй байдлыг судлахын тулд Монгол болон Япон улсын жүдо бөхийн эмэгтэй бага жингийн 36 тамирчдын өгөгдөлд машин сургалтын бүлэглэх (clustering) аргыг ашиглана. Үр дүнгээс харахад Япон улсын тамирчид Монгол улсын тамирчдаас торгуулийн менежмент сайн байна.
Семантик технологид түшиглэн өгөгдлийг нэгтгэж мэдлэгийн граф үүсгэх замаар өгөгдлийн суурь бүтцийг байгуулах асуудал чухал болж байна. Их сургуулийн хувьд профессор, судлаачид, хичээл, өгүүлэл, төсөл зэргийн өгөгдөл нь олон янзын мэдээллийн системд тархаж байрлах тохиолдол элбэг байдаг. Энэ судалгааны ажлын зорилго нь их сургуулийн мэдлэгийг илэрхийлэх онтологи хөгжүүлж үүнийг өгөгдлийн семантик нэгтгэлд ашиглах илүү үр дүнтэй, үр ашигтай өгөгдлийн суурь бүтцийн шийдлийг боловсруулах юм. Бид боловсруулсан шийдлийн дагуу орчин үеийн шинэ технологи, дижитал үйлчилгээнд ашиглах боломжтой 322 мянган гурвал бүхий мэдлэгийн граф үүсгэсэн болно.
Recently, the state-of-the-art algorithms on image classi cation as well as audio classi cation are mostly based on deep Convolutional Neural Network (CNN). In this study we identify bird species based on their images and sounds in audio recordings using CNN. We utilize CNN not only to extract features from image and audio data (spectrogram) but also to combine the features across modalities.
Evolutionary algorithms (EAs) and swarm algorithms (SAs) have shown their usefulness in solving combinatorial and NP-hard optimization problems in various research fields. However, in the field of computer vision, related surveys have not been updated during the last decade. In this study, inspired by the recent development of deep neural networks in computer vision, which embed large-scale optimization problems, we first describe a literature survey conducted to compensate for the lack of relevant research in this area. Specifically, applications related to the genetic algorithm and differential evolution from EAs, as well as particle swarm optimization and ant colony optimization from SAs and their variants, are mainly considered in this survey.
In the recent decade, the development of 3D scanners brings the expansion of 3D models, which yields in the increase of demand for developing effective 3D point cloud retrieval methods using only unorganized point clouds instead of mesh data. In this paper, we propose a meshing-free framework for point cloud retrieval by exploiting a bidirectional similarity measurement on local features. Specifically, we first introduce an effective pipeline for keypoint selection by applying principal component analysis to pose normalization and thresholding local similarity of normals. Then, a point cloud based feature descriptor is employed to compute local feature descriptors directly from point clouds. Finally, we propose a bidirectional feature match strategy to handle the similarity measure. Experimental evaluation on a publicly available benchmark demonstrates the effectiveness of our framework and shows it can outperform other alternatives involving state-of-the-art techniques.
Recently, deep convolutional neural networks (CNN) have become a new standard in many machine learning applications not only in image but also in audio processing. However, most of the studies only explore a single type of training data. In this paper, we present a study on classifying bird species by combining deep neural features of both visual and audio data using kernel-based fusion method. Specifically, we extract deep neural features based on the activation values of an inner layer of CNN. We combine these features by multiple kernel learning (MKL) to perform the final classification. In the experiment, we train and evaluate our method on a CUB-200-2011 standard data set combined with our originally collected audio data set with respect to 200 bird species (classes). The experimental results indicate that our CNN+MKL method which utilizes the combination of both categories of data outperforms single-modality methods, some simple kernel combination methods, and the conventional early fusion method.
In recent decade, many state-of-the-art algorithms on image classification as well as audio classification have achieved noticeable successes with the development of deep convolutional neural network (CNN). However, most of the works only exploit single type of training data. In this paper, we present a study on classifying bird species by exploiting the combination of both visual (images) and audio (sounds) data using CNN, which has been sparsely treated so far. Specifically, we propose CNN-based multimodal learning models in three types of fusion strategies (early, middle, late) to settle the issues of combining training data cross domains. The advantage of our proposed method lies on the fact that we can utilize CNN not only to extract features from image and audio data (spectrogram) but also to combine the features across modalities. In the experiment, we train and evaluate the network structure on a comprehensive CUB-200-2011 standard data set combing our originally collected audio data set with respect to the data species. We observe that a model which utilizes the combination of both data outperforms models trained with only an either type of data. We also show that transfer learning can significantly increase the classification performance.
