Использование моделей машинного обучения для прогнозирования генерации возобновляемых источников энергии; Информационные технологии в науке, образовании и производстве. ИТНОП-2025

Использование моделей машинного обучения для прогнозирования генерации возобновляемых источников энергии; Информационные технологии в науке, образовании и производстве. ИТНОП-2025

Détails bibliographiques
Parent link:	Информационные технологии в науке, образовании и производстве. ИТНОП-2025.— 2025.— С. 314-319
Auteur principal:	Фикс Н. П. Наталья Павловна
Résumé:	Заглавие с экрана Выполнен анализ методов машинного обучения, применяемых для прогнозирования генерации возобновляемых источников энергии, подчеркиваются их преимущества и ограничения. Статистические и физические методы часто обеспечивают неоптимальную точность. Методы глубокого обучения и гибридные модели превосходят классические методы машинного обучения в точности прогнозирования. Также обсуждаются текущие проблемы и перспективные направления This paper reviews machine learning techniques applied to forecasting renewable energy generation, highlighting their advantages and limitations. Statistical and physical methods often provide suboptimal accuracy. Deep learning methods and hybrid models outperform conventional machine learning models in prediction accuracy. Ongoing challenges and promising directions are also discussed Текстовый файл
Langue:	russe
Publié:	2025
Sujets:	глубокое обучение прогнозирование генерации возобновляемые источники энергии машинное обучение нейронные сети труды учёных ТПУ электронный ресурс
Accès en ligne:	https://myconfs.ru/files/itnop2025/usermaterials/Sbornik%20ITNOP-2025.pdf#page=316
Format:	Électronique Chapitre de livre
KOHA link:	https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=683018

Documents similaires

Т. 1; Охота на электроовец. Большая книга искусственного интеллекта
par: Марков С. Сергей
Publié: (2024)

Применение методов глубокого обучения для создания анимации лица на основе речи; Молодежь и современные информационные технологии
par: Спицын В. Г. Владимир Григорьевич
Publié: (2021)

Введение в искусственный интеллект: учебное пособие
par: Воробьев А. Е. Александр Егорович
Publié: (Москва, Инфра-Инженерия, 2026)

Глубокое обучение с R и Keras
par: Шолле Ф.
Publié: (Москва, ДМК Пресс, 2023)

Т. 2 : Практика; Глубокое обучение без математики
Publié: (2020)

Глубокое обучение и игра в го
par: Памперла М.
Publié: (Москва, ДМК Пресс, 2020)

Методы компьютерного зрения и машинного обучения для распознавания лиц в защитные маски; Молодежь и современные информационные технологии
par: Друки А. А. Алексей Алексеевич
Publié: (2021)

Исследование и сравнение нейросетевых моделей генерации заключения для радиологических снимков; Молодежь и современные информационные технологии
par: Пан А. Э,
Publié: (2025)

Диагностика патологий по данным видеоэндоскопии с использованием ансамбля сверточных нейронных сетей; Современные технологии в медицине; Т. 10, № 2
Publié: (2018)

Применение методов машинного и глубокого обучения в задачах семантической сегментации изображений лесного покрова; Молодежь и современные информационные технологии
par: Марков Н. Г. Николай Григорьевич
Publié: (2021)

Реализация принципов организации и использования средств машинного обучения и искусственного интеллекта в медицине учебное пособие
par: Золкин А. Л.
Publié: (Самара, 2024)

Основы систем искусственного интеллекта учебное пособие
par: Гаваев А. С.
Publié: (Тюмень, ТИУ, 2024)

Алгоритмы. Самый краткий и понятный курс
par: Луридас П. Панос
Publié: (Москва, Бомбора, 2022)

Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow
par: Антонио Д.
Publié: (Москва, ДМК Пресс, 2018)

Построение предсказательной модели аэродинамического стенда на основе методов машинного обучения; Молодежь и современные информационные технологии
par: Тоневицкая А. К.
Publié: (2024)

Алгоритмы. Самый краткий и понятный курс
par: Луридас П. Панос
Publié: (Москва, Бомбора, 2023)

Распознавание эмоций: тестирование эффективности алгоритмов машинного обучения; Научный прогресс: проблемы и перспективы развития
par: Саклаков В. М. Василий Михайлович
Publié: (2019)

Обзор методов машинного обучения для моделирования физических процессов; Молодежь и современные информационные технологии
par: Залогин Н. Е.
Publié: (2025)

Т. 1 : Основы; Глубокое обучение без математики
Publié: (2019)

Распознавание рукописных цифр на изображениях с использованием инструментов машинного обучения; Молодежь и современные информационные технологии
par: Вторушина А. С.
Publié: (2020)

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Concepts, Tools, and Technigues to Build Intelligent Systems
par: Géron A. Aurelien
Publié: (Croydon, O'Reilly, 2019)

Анализ изображений керна в видимом и ультрафиолетовом диапазонах для оценки нефтенасыщенности пород и хранения цифровых данных на основе методов машинного обучения: автореферат диссертации на соискание ученой степени кандидата технических наук; спец. 2.3.1
par: Денисов В. И. Владислав Игоревич
Publié: (Томск, 2026)

Автоматическое управление выработкой активной мощности ветроэлектростанций в условиях ограничений пропускной способности сети; Электроэнергия. Передача и распределение; № 4
par: Цыденов Е. А. Евгений Александрович
Publié: (2022)

Реализация системы управления стендом с использованием модели прогнозирования на основе методов искусственного интеллекта; Молодежь и современные информационные технологии
par: Феоктистова Д. А.
Publié: (2024)

Анализ изображений керна в видимом и ультрафиолетовом диапазонах для оценки нефтенасыщенности пород и хранения цифровых данных на основе методов машинного обучения: диссертация на соискание ученой степени кандидата технических наук; спец. 2.3.1
par: Денисов В. И. Владислав Игоревич
Publié: (Томск, 2026)

Анализ изображений керна в видимом и ультрафиолетовом диапазонах для оценки нефтенасыщенности пород и хранения цифровых данных на основе методов машинного обучения: автореферат диссертации на соискание ученой степени кандидата технических наук; спец. 2.3.1
par: Денисов В. И. Владислав Игоревич
Publié: (Томск, 2026)

Выделение смысловых понятий в медицинских диагнозах при помощи машинного обучения; Молодежь и современные информационные технологии
par: Коваль Д. И.
Publié: (2020)

Исследование вариационного автоэнкодера для синтеза новых медицинских данных; Научная сессия ТУСУР-2020; Ч. 2
par: Лаптев В. В. Владислав Витальевич
Publié: (2020)

Обнаружение объектов видеоряда на основе технологии машинного обучения (на примере лесных пожаров): диссертация на соискание ученой степени кандидата технических наук; спец. 2.3.1
par: Лаптев Н. В. Никита Витальевич
Publié: (Томск, 2023)

Обнаружение объектов видеоряда на основе технологии машинного обучения (на примере лесных пожаров): автореферат диссертации на соискание ученой степени кандидата технических наук; спец. 2.3.1
par: Лаптев Н. В. Никита Витальевич
Publié: (Томск, 2023)

Анализ моделей машинного обучения для прогнозирования концентрации серебра в геологическом районе Центрального рудного узла (Чукотского автономного округа); Интеллектуальная энергетика
par: Фигероа Б. Ф. К.
Publié: (2023)

Применение латентной диффузионной модели для генерации трехмерных объектов из ограниченного набора изображений; Молодежь и современные информационные технологии
par: Берг О. А.
Publié: (2026)

Segmentation of sentinel satellite images: comparison of machine learning and deep-learning-based models; Молодежь и современные информационные технологии
par: Tokareva O. S. Olga Sergeevna
Publié: (2021)

Использование библиотеки TensorFlow для разработки модели прогнозирования; Молодежь и современные информационные технологии
par: Власенко И. С.
Publié: (2020)

Разработка моделей искусственных нейронных сетей для вариационного автоэнкодера; Молодежь и современные информационные технологии
par: Гергет О. М. Ольга Михайловна
Publié: (2021)

Применение методов машинного обучения для типизации геолого-геофизических разрезов (на примере месторождений Нюрольской впадины); Проблемы геологии и освоения недр; Т. 1
par: Канаев И. С.
Publié: (2019)

Основы технологии производства и машинное обучение учебник для вузов
par: Трубочкина Н. Надежда
Publié: (Москва, Юрайт, 2026)

Миражи интеллекта: от теста Тьюринга до больших языковых моделей: учебное пособие
par: Пожидаев М. С. Михаил Сергеевич
Publié: ([Б. м.], Издательские решения, 2025)

Технологии программной реализации нейросетевых моделей учеб. пособие
par: Толмачев С. Г.
Publié: (Санкт-Петербург, ГУАП, 2022)

Модель смешанного обучения для инженерного курса: проектирование и реализация; Информационные технологии в науке, образовании и производстве. ИТНОП-2025
par: Фикс Н. П. Наталья Павловна
Publié: (2025)