МЕТОД ІНТЕРПОЛЯЦІЇ ДЛЯ ПРОГНОЗУВАННЯ МЕТРИК ВИКОРИСТАННЯ ХМАРНИХ ОБЧИСЛЕНЬ В СТАТИСТИЧНОМУ НАВЧАННІ
Notice bibliographique
Résumé
МЕТОД ІНТЕРПОЛЯЦІЇ ДЛЯ ПРОГНОЗУВАННЯ МЕТРИК ВИКОРИСТАННЯ ХМАРНИХ ОБЧИСЛЕНЬ В СТАТИСТИЧНОМУ НАВЧАННІ Анотація.В статті висвітлюються питання використання методів обчислень для інтерполяції та прогнозування кількості підприємств в Україні, що використовують хмарні обчислення та мають доступ до мережі Інтернет.Наведено основні категорії хмарних послуг, визначені на законодавчому рівні України.Розкриваються такі особливості використання хмарних технологій як-от: економія використання ресурсів, мобільність та здатність до масштабованості, дотримання безпеки даних.Обумовлюється можливість використання методу інтерполяції для розробки базової моделі прогнозування в статистичному навчанні.Підтверджується можливість використання інтерполяції поліномами Лагранжа та Ньютона в системі статистичного навчання з позиції встановлення базового опису функції для навчальної вибірки даних та її адаптації із зменшенням похибки.З використанням методів обчислення проведено оцінювання № 4(32) 2024 1193 динаміки статистичних метрик використання хмарних технологій підприємствами України як: частка кількості підприємств, що купують послуги хмарних обчислень; кількість підприємств, які мають доступ до мережі Інтернет в Україні.Інформаційну базу обчислення та розробки функції прогнозу становила неповна вибірка статистичних даних діяльності підприємств України за 2018-2022 рр., поновлення якої отримано методом інтерполяції.Підтверджено гіпотезу про спадаючу тенденцію кількості підприємств, які використовують хмарні обчислення та мають доступ до мережі Інтернет.Порівнюються результати оцінювання прогнозу на основі поліномів Лагранжа та Ньютона.Обґрунтовується важливість перспектив подальших досліджень у цій галузі для виявлення потенційних викликів та можливостей для українських підприємств у впровадженні технологій хмарних обчислень.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».