Моделювання ефективних алгоритмів автоматизованого вибору двомірних апроксимант
Анотація
У даній роботі досліджуються алгоритмічні підходи для автоматизованого вибору двомірних апроксимант, що дають змогу підвищити точність аналізу та моделювання даних. Метою дослідження є створення системи, яка мінімізує похибки апроксимації та підвищує ефективність прийняття рішень на основі експериментальних даних. Використовуються сучасні методи, зокрема метод найменших квадратів та поліноміальні функції, для побудови оптимальних апроксимант [1]. Це дослідження сприятиме покращенню процесів аналізу в різних галузях.
Посилання
Colosi, M., Della Corte, B., & Schlegel, D. (2020). Least Squares Optimization: From Theory to Practice. https://www.mdpi.com/2218-6581/9/3/51
Yang, H., Wang, H., & Li, B. (2024). Analysis of Meshfree Galerkin Methods Based on Moving Least Squares and Local Maximum-Entropy Approximation Schemes. https://www.mdpi.com/2227-7390/12/3/494
H. R. Abdul Ameer, A. S. Jaddoa, H. A. AL-Challabi and D. S. Abdul-Zahra, (2022) "Approximation Algorithm Applications in Artificial Intelligence: A Review," https://ieeexplore.ieee.org/document/10145686
Ching-pei Lee & Kai-Wei Chang (2020). Distributed block-diagonal approximation methods for regularized empirical risk minimization. https://link.springer.com/article/10.1007/s10994-019-05859-2
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
