Обучение нейронной сети, моделирующей социально-экономическое развитие региона

Статья посвящена вопросам формирования массива данных для построения искусственной нейронной сети, предназначенной для поиска взаимосвязей между социальными и экономическими параметрами развития регионов Российской Федерации (далее – РФ). Актуальность исследований в этой области подтверждается большим количеством исследований в области региональной компаративистики, а также ограниченностью методик, применяемых в такого рода исследованиях, зачастую ограничивающихся описательными методами и базовыми техниками параметрической статистики. В этих условиях расширение математического аппарата и более активное внедрение информационных технологий, в том числе в области анализа больших данных (англ. big data) и построения прогностических моделей на основе искусственных нейронных сетей, представляется небезынтересным. При этом, однако, необходимо отметить, что ресурсов отдельного исследовательского коллектива может быть (и, вероятнее всего, будет) недостаточно для создания с нуля собственного программного решения для реализации алгоритмов машинного обучения. Использование сторонних программных платформ на основе облачных технологий (в первую очередь – инфраструктуры от IBM и Google) позволяет обойти проблему отсутствия у исследовательского коллектива дорогостоящей материально-технической базы, однако накладывают ряд ограничений, продиктованных как требованиями существующих алгоритмов машинного обучения, так и спецификой архитектуры предоставляемых платформ. Это ставит коллектив исследователей перед необходимостью подготовки накопленного массива данных к обработке: снижению размерности, проверке данных на соответствие требованиям платформы и исключения потенциальных проблемных зон: утечек данных, перекосов в обучении и иных. Работа была доложена на секции «Социология цифрового общества: структуры, процессы, управление» Международной конференц-сессии «Государственное управление и развитие России: национальные цели и институты».

1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. (1989). Прикладная статистика. Классификация и снижение размерности: справочное издание / Под ред. С.А. Айвазяна. М.: Финансы и статистика.

2. Васенков Д.В. (2007). Методы обучения искусственных нейронных сетей//Компьютерные инструменты в образовании. № 1. С. 20–29.

3. Толстова Ю.Н. (2015). Социология и компьютерные технологии//Социологические исследования. № 8. C. 3–13.

4. James G. (2003). Variance and Bias for General Loss Functions//Machine Learning. Режим доступа: http://www-bcf.usc.edu/~gareth/research/bv.pdf (дата обращения: 10.07.2019).

5. Mohri M., Rostamizadeh A., Talwalkar A. (2012). Foundations of Machine Learning. The MIT Press, Cambridge, USA.