0 penilaian0% menganggap dokumen ini bermanfaat (0 suara)
17 tayangan4 halaman
Penelitian ini membahas prediksi harga mobil menggunakan teknik pembelajaran mesin. Data harga mobil dikumpulkan dari situs penjualan mobil lokal dan dibagi menjadi dataset pelatihan dan pengujian. Beberapa algoritma pembelajaran mesin seperti jaringan syaraf tiruan, support vector machine, dan random forest diterapkan, namun mencapai akurasi di bawah 50%. Pendekatan ansambel beberapa algoritma mampu meningkatkan akurasi menjadi 92,38
Penelitian ini membahas prediksi harga mobil menggunakan teknik pembelajaran mesin. Data harga mobil dikumpulkan dari situs penjualan mobil lokal dan dibagi menjadi dataset pelatihan dan pengujian. Beberapa algoritma pembelajaran mesin seperti jaringan syaraf tiruan, support vector machine, dan random forest diterapkan, namun mencapai akurasi di bawah 50%. Pendekatan ansambel beberapa algoritma mampu meningkatkan akurasi menjadi 92,38
Penelitian ini membahas prediksi harga mobil menggunakan teknik pembelajaran mesin. Data harga mobil dikumpulkan dari situs penjualan mobil lokal dan dibagi menjadi dataset pelatihan dan pengujian. Beberapa algoritma pembelajaran mesin seperti jaringan syaraf tiruan, support vector machine, dan random forest diterapkan, namun mencapai akurasi di bawah 50%. Pendekatan ansambel beberapa algoritma mampu meningkatkan akurasi menjadi 92,38
Pengembangan produk virtual berdasarkan simulasi numerik saat ini
merupakan alat penting dalam industri mobil. Penulis menganalisis data dari simulasi kecelakaan mobil dengan bantuan metode dari pembelajaran mesin. Setiap instance adalah proses simulasi penuh, yang saat ini terdiri dari lebih dari satu juta node elemen hingga (FE) dan sekitar seratus langkah waktu, dan oleh karena itu dimensinya sangat tinggi, yaitu sekitar 108(waktu×node). Selama proses pengembangan simulasi model mobil baru dilakukan di mana parameter desain diubah oleh insinyur. Satu simulasi berjalan memakan waktu sekitar delapan jam pada sebuah cluster dengan 32 core; akibatnya jumlah titik data tetap kecil dibandingkan, saat ini hingga 1.000. penulis mengusulkan kerangka kerja umum untuk analisis data simulasi elemen, hingga Penggunaan metode pembelajaran mesin memungkinkan untuk secara signifikan mengurangi upaya analisis selama proses rekayasa dengan mengungkapkan karakteristik proses simulasi secara semi-otomatis. Oleh karena itu tujuannya adalah agar setiap simulasi berjalan hanya beberapa atribut yang dihitung yang tersisa untuk dipertimbangkan, tetapi masih menggambarkan efek tabrakan mobil dengan detail yang masuk akal. Seseorang kemudian dapat dengan mudah mendeteksi simulasi yang berjalan yang menunjukkan perilaku ekstrim atau luar biasa dan menganalisisnya lebih lanjut. Penulis menyimpulkan Dengan menerapkan alur kerja yang disajikan untuk analisis data tabrakan mobil pada contoh dunia nyata,penulis telah menunjukkan bahwa kami memang dapat mengungkap karakteristik tabrakan. langkah pertama Yang dilakukan penulis yaitu memperoleh penugasan cluster dari node di mana penulis mengelompokkan node dengan intensitas pergerakan dan pola pergerakan yang sama menjadi satu cluster. Berdasarkan itu, penulis dapat memverifikasi bahwa pengelompokan memang menangkap node mana yang paling banyak dihancurkan pada langkah waktu saat ini. Selain itu, hasil juga menunjukkan perlunya metode pengelompokan yang dapat menemukan cluster nonconvex karena hanya pengelompokan spektral berbasis jaringan jarang yang dapat menemukan pengelompokan yang masuk akal di semua situasi. Pada langkah kedua kami menggunakan pengurangan dimensi nonlinier pada cluster yang diperoleh pada langkah pertama. Karena pengelompokan sudah secara kasar mencerminkan perilaku kerusakan, metode pengurangan dimensi diterapkan pada data yang telah diproses sebelumnya untuk memberikan input yang lebih baik daripada hanya mengambil semua node sekaligus. Contoh kami bagaimana misalnya embedding yang diperoleh dengan peta dimensi pada setiap cluster secara terpisah mencerminkan bifurkasi yang lebih baik dalam perilaku balok daripada embedding yang diperoleh dengan menerapkan metode pada semua data. Dengan pendekatan linier lokal berdasarkan estimasi ruang tangen dan pembelajaran manifold utama dengan grid jarang kami juga telah menunjukkan bahwa kami tidak hanya dapat memperoleh embedding data crash berdimensi rendah tetapi juga dapat dengan cepat merekonstruksi simulasi berjalan untuk mengeksplorasi simulasi dengan di menyewa konfigurasi parameter. Analisis data yang direduksi telah menunjukkan bahwa kami mendapatkan rekonstruksi yang lebih baik dari simulasi yang berjalan dengan metode nonlinier kami. Secara keseluruhan, dengan menggunakan alat pembelajaran mesin modern, penulis dapat memberikan bantuan kepada teknisi mobil dalam proses desain model mobil baru. Dengan menggunakan prosedur nonlinier, jumlah parameter yang relevan untuk diselidiki dapat dikurangi, sedangkan kombinasi pengelompokan dan reduksi dimensi nonlinier menghasilkan identifikasi variabel lambat yang lebih baik. Misalnya, pendeteksian proses bifurkasi dengan peta difusi, yaitu pemisahan simulasi ke dalam grup dengan perilaku tekukan yang berbeda dan nilai parameter masukan (ketebalan) yang berbeda, memungkinkan insinyur untuk dengan mudah mengidentifikasi grup yang terdiri dari proses dengan perilaku yang diinginkan. hal keselamatan penumpang dan rentang parameter yang sesuai. Kami membayangkan bahwa algoritme rekonstruksi yang baik dapat menghindari penghitungan simulasi numerik lengkap yang mahal untuk konfigurasi parameter yang sesuai, khususnya jika indikator seperti misalnya indeks HIC (Indeks Kriteria Cedera Kepala) atau intrusi dinding api menarik. Alur kerja analisis data semi-otomatis semacam itu memproses bundel simulasi berjalan dengan demikian dapat secara signifikan mengurangi waktu yang dihabiskan oleh insinyur yang menganalisis pengaruh parameter desain pada bobot, biaya, atau properti fungsional model mobil baru.
2. Car Price Prediction using Machine
Learning Techniques/ Prediksi Harga Mobil menggunakan Mesin Teknik Pembelajaran Penulis mengatakan entah mengapa prediksi harga mobil menjadi masalah yang menarik dan populer. Sesuai informasi yang diperoleh dari Badan Pusat Statistik BiH, tercatat sebanyak 921.456 unit kendaraan pada tahun 2014 dimana 84% diantaranya adalah kendaraan pribadi [1]. Angka ini meningkat sebesar 2,7% sejak tahun 2013 dan kemungkinan tren ini akan terus berlanjut, serta jumlah mobil akan terus bertambah. Prediksi harga mobil yang akurat melibatkan pengetahuan ahli, karena harga biasanya bergantung pada banyak fitur dan faktor yang berbeda. Biasanya, yang paling signifikan adalah merek dan model, usia, tenaga kuda, dan jarak tempuh. Data dikumpulkan dari portal web lokal untuk jual beli mobil autopijaca.ba, selama musim dingin, karena interval waktu itu sendiri berdampak tinggi pada harga mobil di Bosnia dan Herzegovina. Pendekatan classifier pembelajaran mesin tunggal yang telah digunakan dalam semua penelitian sebelumnya juga diuji dalam penelitian ini. Seluruh kumpulan data yang dikumpulkan dalam penelitian ini telah dibagi menjadi pelatihan (90%) dan pengujian (10%) subset dan model Jaringan Syaraf Tiruan, Support Vector Machine dan Random Forest dibangun. Dalam penelitian ini, skrip PHP dibangun untuk menormalkan, menstandarisasi, dan membersihkan data untuk menghindari kebisingan yang tidak perlu untuk algoritme pembelajaran mesin. Pembersihan data adalah salah satu proses yang meningkatkan kinerja prediksi, namun tidak cukup untuk kasus kumpulan data yang kompleks seperti yang ada dalam penelitian ini. Menerapkan algoritma mesin tunggal pada akurasi kumpulan data kurang dari 50%. Oleh karena itu, ansambel dari beberapa algoritma pembelajaran mesin telah diusulkan dan kombinasi metode ML ini memperoleh akurasi sebesar 92,38%. Ini adalah peningkatan yang signifikan dibandingkan dengan pendekatan metode pembelajaran mesin tunggal. Namun, kelemahan dari sistem yang diusulkan adalah ia menghabiskan lebih banyak sumber daya komputasi daripada algoritma pembelajaran mesin tunggal. tujuan kami untuk penelitian mendatang adalah menguji sistem ini agar berhasil bekerja dengan berbagai kumpulan data.
Perancangan Dan Analisa Sistem Pakar Penataan Parkir Kendaraan Di Kampus Pusat Stmik Asia Dengan Queueing Theory Berbasis Web Menggunakan PHP Dan Mysql