Ekaterina S. Almazova

статья посвящена исследованию возможностей применения методологии больших данных для оптимизации процессов хранения и транспортировки скоропортящейся продукции. Рассматриваются ключевые направления использования аналитических инструментов. Особое внимание уделяется эффективности гибридных моделей, объединяющих различные подходы для повышения точности прогнозов и адаптивности принимаемых решений. Анализируются вызовы и ограничения практического внедрения предлагаемых подходов, включая вопросы интеграции разнородных источников данных и требования к вычислительным ресурсам, а также перспективы ра...

в статье рассматривается проблема повышения эффективности вычислительных процессов при работе с массивами больших гетерогенных данных, характеризующихся сложной структурной связностью. В работе применен комплексный методологический аппарат, включающий алгоритмы поиска путей, методы кластеризации графовых структур и приемы динамической перестройки топологии данных. Рассматривается, что внедрение данных методов позволяет существенно оптимизировать использование ресурсов оперативной памяти и нагрузку на центральные процессоры при выполнении запросов к разнородным источникам. Основным выводом стат...

рассмотрены правовые и организационные вопросы управления гетерогенными потоками промышленных данных в распределённых архитектурах промышленного интернета вещей. Подсистема DFMS = ⟨F, C, P, R, A⟩ формализует классификацию, приоритизацию, маршрутизацию и адаптацию потоков с учётом их правового режима (персональные данные, критическая информационная инфраструктура, коммерческая тайна). Показано, что модульная адаптивная архитектура обеспечивает соблюдение принципов минимизации данных, локализации и аудируемости, установленных законодательством.

this paper evaluates the performance of three data analysis techniques-decision trees, neural networks, and self-organizing Kohonen maps-in identifying cardiovascular disease patterns. Based on a dataset of 1,328 patient records, the models were compared regarding classification accuracy for target variables and demographic attributes. The neural network achieved the lowest error rate for disease prediction (3.61%), while the decision tree showed robust performance (6.17%) with higher interpretability. The findings underscore the necessity of method selection based on data specificity and the...

this article explores the application of rule-based machine learning, specifically decision trees, for predicting corporate bankruptcy within a hierarchical framework. Using a dataset from the Taiwan Economic Journal (1999–2009), the study evaluates the economic performance indicators that critically influence financial distress. The decision tree model achieved an error rate of 1.6%, outperforming neural networks (2.67%) and Kohonen maps (2.98%). The most significant factors identified include Persistent EPS (22.4%), Working Capital to Equity ratio (20.1%), and Pretax Income to Capital (15.5%...