Мониторинг повседневной деятельности с использованием машинного обучения сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

magbo system

Сочинение на тему Мониторинг повседневной деятельности с использованием машинного обучения

Количество фитнес-диапазонов и других устройств IoT, таких как трекеры сна и т. д., выросло в геометрической прогрессии. Количество данных, доступных через эти устройства, о людях из всех слоев общества также значительно возросло. Все ежедневные действия человека сводятся к чему-то, поэтому должен существовать шаблон количества данных, собираемых с помощью этих различных устройств, таких как трекер сна и фитнес-диапазон.

В настоящее время существует несколько приложений, которые оценивают данные для пользователя. Многое должно быть сделано пользователем вручную. Мы создаем приложение, которое будет отслеживать данные о повседневной активности с помощью этих устройств, оценивать их и находить в них закономерности, используя кластеризацию k-средних в обучении без учителя. Оцененные данные будут собраны в базе данных, сохранены в облаке и использованы в качестве обучающих данных, и на них будут проводиться тесты для поиска закономерностей. Мы также стремимся прогнозировать действия пользователя и проблемы со здоровьем на основе собранных данных. Такое приложение и оцененные данные могут быть полезны для различных учреждений, фитнес-компаний и т. Д.

Основная цель этого проекта – разработать приложение, которое использует собранные данные и оценивает их, чтобы найти в них закономерности. Психический стресс является одной из растущих проблем современного общества. Число людей, испытывающих психическое напряжение, растет день ото дня. Стресс – это реакция нашего организма на подготовку к трудным ситуациям. Когда человек испытывает стресс, его нервная система реагирует, выпуская гормоны стресса. Эти гормоны готовят наше тело к экстренным действиям. В определенной ситуации это становится опасным и может привести человека к серьезному психическому расстройству. Долгосрочные последствия стресса могут быть хроническими. Хронический эффект стресса вызывает проблемы со здоровьем, такие как гипертония, сердечно-сосудистые заболевания и проблемы с памятью. Чувство одиночества и безнадежности может привести людей к самоубийству. Люди могут реже замечать, находятся ли они в состоянии сильного стресса или вообще менее чувствительны к стрессу. Технология обнаружения стресса может помочь людям лучше понять и снять стресс, повышая их осведомленность о повышенном уровне стресса, который в противном случае остался бы незамеченным. Для этой цели мы разработали устройство с умным ремешком для обнаружения различных уровней проводимости кожи и прогнозирования того, находится ли человек в состоянии стресса или нет. Но одна только проводимость кожи не может точно предсказать уровень стресса в повседневной деятельности. Физиологические реакции, вызванные стрессом, также могут быть спровоцированы физическими нагрузками, такими как бег, недосыпание и т. Д. Чтобы точно измерить уровень стресса, следует провести классификацию. Подходящая полоса будет способна обнаруживать стресс путем анализа различных параметров в соответствии с проводимостью кожи, таких как отслеживание активности, качество сна и т. Д. Собранные данные затем передаются на смартфон пользователя через Bluetooth и загружаются в Интернет, откуда они доступны для поиска шаблонов. для дальнейшего облегчения пользовательского опыта.

Основная цель этого проекта – разработать приложение, которое использует собранные данные и оценивает их, чтобы найти в них закономерности. Это может быть сделано путем сбора большой выборки данных и использования их в качестве обучающих данных с использованием неконтролируемых методов обучения, таких как кластеризация с помощью k-средних, для поиска шаблонов. k-means – один из самых простых алгоритмов, решающих известную проблему кластеризации. Процедура следует простому и легкому способу классификации данного набора данных через определенное количество кластеров (предположим, k кластеров) с фиксированными априорами. Основная идея состоит в том, чтобы определить k центров, по одному для каждого кластера. Эти центры должны быть расположены очень хитрым способом, потому что местоположение вызывает другой результат. Таким образом, лучший выбор – разместить их как можно дальше друг от друга. Следующий шаг – взять каждую точку, принадлежащую данному набору данных, и связать ее с ближайшим центром. Когда нет ожидающих пунктов, первый шаг завершен, и ранний возраст группы сделан. На данный момент нам нужно пересчитать k новых центроидов как барицентр кластеров, полученных в результате предыдущего шага. После того, как у нас есть эти известные центроиды, необходимо выполнить новое связывание между теми же точками набора данных и ближайшим новым центром. Цикл был создан. В результате этого цикла мы можем заметить, что k-центры постепенно меняют свое местоположение до тех пор, пока не произойдет больше никаких изменений, или, другими словами, центры больше не будут двигаться. Мы используем методологию кластеризации k-средних, потому что она быстра, надежна и понятна.

Базовое приложение потребовало бы большой выборки данных, собранных за длительные периоды, с участием широкого круга пользователей, начиная от разных возрастных групп, разных полов и разного роста и веса. После того, как мы собрали этот пример данных, мы можем использовать k-кластеризацию, чтобы найти в ней шаблоны. Если эти данные не являются большими, k-кластеризация может не дать очень точного результата. Алгоритм обучения требует предварительного определения количества кластерных центров. Случайный выбор центра кластера не может привести нас к плодотворному результату. Это некоторые проблемы, связанные с алгоритмом.

Как только эти данные собраны с использованием смарт-полосы и сохранены в приложении с использованием IoT, применяется алгоритм, мы можем найти шаблоны, которые покажут, что все входные данные, то есть количество пройденных шагов, количество сна, сожженные калории, и сердечный ритм будет иметь какую-то связь между ними. Эта связь будет выяснена с помощью алгоритма обучения k средних. Вся эта информация, данные и результаты будут сохранены, и пользователь сможет просматривать их в любое время. Согласно результатам, пользователь может изменить или изменить свои входные данные, чтобы он мог получить благоприятные результаты

Зарегистрируйся, чтобы продолжить изучение работы

    Поделиться сочинением
    Ещё сочинения
    Нет времени делать работу? Закажите!

    Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.