The object of research, development or design (in Russian) : Алгоритмы машинного обучения по прогнозированию роста численности вредителей.

The object of research, development or design (in Kazakh) : Зиянкестер санының өсуін болжауға арналған машиналық оқыту алгоритмдері.

Aim of work (in Russian) : Создание нейросетевой модели прогнозирования динамики численности вредителей зерновых культур для аналитической системы.

Aim of work (in Kazakh) : Аналитикалық жүйе үшін дәнді дақылдардың зиянкестер санының динамикасын болжаудың нейрондық желілік моделін құру.

Методы исследования (на русском) : При исследовании применяются следующие методы: - анализ, научное обобщение сравнение - методы используются для решения задач по проведению обзора и анализа современного состояния аналитических систем прогнозирования роста вредителей зерновых культур, а также проведения исследования и для определения методов обучения нейронной сети для систем прогнозирования - математическое моделирование, бинарная классификация, линейная регрессия - методы применяются для создания модели многослойной нейронной сети и проведения обучения с результативными показателями численности вредителя на урожайность зерновых культур;

Методы исследования (на казахском) : Зерттеу кезінде келесі әдістер қолданылады: - талдау, ғылыми жалпылау салыстыру-әдістер дәнді дақылдардың зиянкестерінің санын болжайтын аналитикалық жүйелерінің қазіргі жағдайына шолу және талдау жүргізу, сондай-ақ зерттеу жүргізу және болжау жүйелері үшін нейрондық желіні оқыту әдістерін анықтау үшін қолданылады - математикалық модельдеу, екілік жіктеу, сызықтық регрессия-әдістер көп қабатты нейрондық желінің моделін құру және дәнді дақылдардың өнімділігіне зиянкестер санының нәтижелі көрсеткіштерін оқыту үшін қолданылады.

Obtained results and novelty (in Russian) : Проведен сбор данных для выявления вредителей зерновых культур. Данные были взяты из РГУ «Республиканский методический центр фитосанитарной диагностики и прогнозов». Все полученные данные были обработаны и приведены в один табличный формат (базы данных EXCEL). Обработанные данные были нормализованы и преобразованы во входные данные, затем создана матрица взаимодействия данных. Выполнено исследование алгоритмов и методов прогнозирования в машинном обучении, для чего был проведен обзор научной литературы (более 109 научных статей) в данной области. Из анализа научных исследований был сделан вывод, что в существующих исследованиях отсутствует прогнозирование роста численности полосатой блошки с применением машинного обучения, в которых использовался метод нейронных сетей. Результаты по анализу алгоритмов прогнозирования были опубликованы в статье «Методы прогнозирования в машинном обучении: обзор и сравнение». Был проведен анализ существующих аналитических систем и выявлены отрицательные и положительные стороны. Ученые проекта приняли участие в Международной научной конференции «Food Quality аnd Food Safety» (FQFS) (22 сентября 2023 года в КАТИУ имени С.Сейфуллина), выступили с докладом на VIII — Международной научно-практической конференции «Информатика и прикладная математика», были подобраны слои и создана многослойная нейронная сеть. Многослойная нейросетевая модель имеет оптимальную архитектуру и имеет следующие слои: Dense, Dropout, LSTM, Dense.

Obtained results and novelty (in Kazakh) : Дәнді дақылдардың зиянкестерін анықтау үшін деректер жиналды. Деректер "Республикалық фитосанитариялық диагностика және болжамдар әдістемелік орталығы" РММ-ден алынды. Барлық алынған мәліметтер өңделіп, бір кесте форматына келтірілді (EXCEL мәліметтер базасы). Өңделген деректер қалыпқа келтіріліп, кіріс деректеріне түрлендірілді, содан кейін деректердің өзара әрекеттесу матрицасы құрылды. Машиналық оқытуда болжау алгоритмдері мен әдістерін зерттеу жүргізілді, осыған орай ғылыми әдебиеттерге шолу жасалды (109-дан астам ғылыми мақалалар). Ғылыми зерттеулерді талдаудан қазіргі зерттеулерде нейрондық желі әдісін қолданатын машиналық оқытуды қолдана отырып, жолақты бүргелер санының өсуін болжау жоқ деген қорытындыға келді. Болжау алгоритмдерін талдау нәтижелері "машиналық оқытудағы болжау әдістері: шолу және салыстыру" мақаласында жарияланды. Қолданыстағы аналитикалық жүйелерге талдау жүргізіліп, жағымсыз және жағымды жақтары анықталды. Жоба ғалымдары "Food Quality аnd Food Safety" (FQFS) халықаралық ғылыми конференциясына қатысты (2023 жылғы 22 қыркүйекте С.Сейфуллин атындағы КАТИУ — да), "Информатика және қолданбалы математика" VIII-Халықаралық ғылыми-практикалық конференциясында баяндама жасады, қабаттар таңдалды және көп қабатты нейрондық желі құрылды. Көп қабатты нейрондық желі моделі оңтайлы архитектураға ие және келесі қабаттардан тұрады: Dense, Dropout, LSTM, Dense.

The main constructive and technical economic indicators (in Russian) : Проект направлен на решение научно-технологических потребностей в области искусственно интеллекта и агротехнической науки

The main constructive and technical economic indicators (in Kazakh) : Жоба жасанды интеллект және агротехникалық ғылым саласындағы ғылыми-технологиялық қажеттіліктерді шешуге бағытталған

Level of implementation (in Russian) :

Level of implementation (in Kazakh) :

Efficiency (in Russian) :

Efficiency (in Kazakh) :

Field of application (in Russian) : Информационно-коммуникационные технологии, искусственный интеллект, нейронные сети

Field of application (in Kazakh) : Ақпараттық-коммуникациялық технологиялар, жасанды интеллект, нейрондық желі