ВКР: Классификация состояний буровой установки методами машинного обучения

Оглавление
Введение
1Теория дискриминантного анализа и статистика
1.1 Постановка задачи
1.2 Дискриминантный анализ
1.2.1 Основа дискриминантного анализа
1.2.2 Линейный дискриминантный анализ
1.3 Проверка нормальности распределения выполнения условия покритериию Шапиро–Уилкса
1.4 Отбор признаков
1.5 Методы определения величины ошибки
1.5.1 Ошибка обученной модели
1.5.2 Метрики качества обученной модели
1.5.3 Bootstrap 0.632
1.5.4 Bootstrap 0.632+
2. Программная реализация алгоритмов дискриминантного анализа
2.1 Разведочный анализ данных. Обзор исходных данных
2.1.1 Тест на нормальность данных
2.1.2 Отбор переменных
2.2 Разработка приложения
2.2.1 Выбор технологий
2.2.2 Реализация метода дискриминантного анализа на языке Python
2.2.3Реализация метода дискриминантного анализа с исключением класса
2.2.4Реализация метода дискриминантного анализа на синтетических данных
3 Метод градиентного бустинга
3.1 Дерево решений
3.2 Численная оптимизация с помощью градиентного бустинга
4 Реализация алгоритма градиентного бустинга в Python с помощью библиотеки Scikit-Learn

Введение

Одним из способов, которым компании могут минимизировать риск незапланированных простоев и связанных с ними убытков, является мониторинг состояния объекта. Мониторинг производства включает сбор данных о параметрах работы объекта. Мониторинг требует точных и непрерывных входных данных из самых разных датчиков.
Такие данные позволяют информировать и идентифицировать процессы, происходящие на производственном объекте, включающие также сбои или отклонения объекта. Тем самым помогает предсказывать необходимость технического обслуживания данного объекта. Идентификация состояний объекта определяется с помощью сочетания определенных параметров. Каждому состоянию объекта соответствует рабочие диапазоны параметров, полученные с помощью системы контроля. Данную задачу можно свести к задаче классификации состояний производственного объекта на основе данных систем контроля.Задача классификации с учителем включает предсказание категории объекта и разделение объектов согласно определенным и заданным заранее признакам.
Применяя методы машинного обуч