Основы работы с большими данными. основы с боль данными. Контрольная работа дисциплина основы работы с большими данными Номер варианта контрольной работы 7
Скачать 121 Kb.
|
МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего образования «Новосибирский государственный университет экономики и управления «НИНХ» (ФГБОУ ВО «НГУЭУ, НГУЭУ) Кафедра статистики КОНТРОЛЬНАЯ РАБОТА Дисциплина: основы работы с большими данными Номер варианта контрольной работы: 7 Наименование направления: 38.03.01 Экономика Ф.И.О студента: Номер группы: Номер зачетной книжки: Дата регистрации контрольной работы кафедрой: Проверил: Новосибирск 2020 СОДЕРЖАНИЕ Задание №1 3 Ответ на задание №1 3 Задание №2 4 Ответ на задание №2 4 Задание №3 5 Ответ на задание №3 5 Задание №4 7 Ответ на задание №4 7 Задание №5 7 Ответ на задание №5 8 Список использованных источников 10 Задание №1На примере задач сельского хозяйства ответьте на следующие вопросы: - какие данные, подходящие под определение big data, фиксируются/могут фиксироваться в исследуемой предметной области; - какими инструментами можно воспользоваться для сбора и хранения данных. Какие ресурсы необходимы для этого (технические, программные); - описать источники данных и способы добычи данных из этих источников. Ответ оформите в табличном виде. Ответ на задание №1Таблица 1
Окончание таблицы 1
Задание №2Приведите примеры способов обработки и визуализации данных с использованием инструментов работы с big data в сфере сельского хозяйства. Ответ оформите в табличном виде в формате. Ответ на задание №2Таблица 2
Окончание таблицы 2
Задание №3Сформулируйте задачи, возникающие в сфере сельского хозяйства, которые можно было бы решить с использованием машинного обучения. Опишите возможные результаты. Ответ на задание №3Задачи сферы сельского хозяйства, решаемые с использованием машинного обучения: Прогнозирование урожайности - технологии ИИ могут применяться различных областях сельскохозяйственного производства, в частности для прогнозирования урожайности сельскохозяйственных культур в зависимости от различных факторов (алгоритм принимает решение и выдает прогноз на основе анализа свойств и плодородия почв, выбирает почвы с наиболее оптимальными свойствами). Снижение потребности в ручном труде – разрабатываются системы машинного зрения для уборки культур (например, вишни, апельсинов). Всё больше развиваются и применяются специализированные роботы для сбора урожая: зерноуборочные комбайны существуют давно, но только сейчас, при помощи современных методов компьютерного зрения и робототехники, получилось разработать, например, робота, собирающего клубнику. [1] Повышение эффективности управленческих решений в сельском хозяйстве – применение технологий мониторинга и прогнозирования влажности почвы, её температуры, позволяют понимать динамику почвенных процессов, оптимизировать время посадки и увлажнение почвы, внесения удобрений для повышения урожайности. Проведение исследований в области болезней растений и животных - так разработана система для обнаружения азотного стресса и желтой ржавчины, инфицированных и здоровых растений озимой пшеницы, основанная на иерархическом самоорганизующемся классификаторе и гиперспектральных данных. Исследование было направлено на точное выявление этих категорий для более эффективного использования фунгицидов и удобрений. [2] Прогнозирование погоды - применение технологий машинного обучения (ELM) позволяют получать более точные прогнозы потенциальных рисков засухи. Оценка эффективности деятельности - в животноводстве технологии ИИ применяются при оценке продуктивности и моделей поведения животных. Разработан метод классификации поведения крупного рогатого скота на основе моделей машинного обучения с использованием данных, собранных ошейниковыми датчиками с магнитометрами и трехосными акселерометрами. Целью исследования было прогнозирование таких событий, как эструс и распознавание изменений рациона у крупного рогатого скота. [5] Распознавание заболеваний культур - растениеводы используют компьютерное зрение для распознавания заболеваний культур: как на микроуровне, по снимкам листьев и растений крупным планом, так и на макроуровне, выявляя ранние признаки заболеваний растений или распространения вредителей по данным аэрофотосъёмки. Все эти проекты обычно основаны на сверточных нейронных сетях (convolutional neural networks, CNN). [5] Задание №4Сформулировать и перечислить основные заинтересованные лица (стейкхолдеры), кто был бы заинтересован в полученных результатах. Опишите возможные результаты. Ответ на задание №4Таблица 3
Задание №5Сформулировать требования к возможным изменениям в нормативно-правовой базе. Ответ на задание №5Основная задача совершенствования нормативно-правовой базы в сельском хозяйстве состоит в том, чтобы стимулировать в аграрной сфере не инерционный путь развития в уже достигнутых рамках темпов роста объема валовой сельхозпродукции, производительности и урожайности, а переходить на инновационный путь, развивать технологии, всемерно способствовать привлечению инвестиций в отрасль. Рассмотрим требуемые изменения в нормативно-правовой базе (государственный, отраслевой, внутренний уровни). Необходимо внесение изменений и дополнений в федеральные и региональные законодательные акты, регулирующие отношения между органами государственной власти и сельскохозяйственными товаропроизводителями в сфере оказания поддержки аграрной отрасли; Корректировка нормативных документов (целевых программ развития сельского хозяйства, порядков предоставления государственной поддержки, административных регламентов оказания государственных услуг) с целью усиления мотивации развития отрасли и выполнения индикативных показателей роста. Изменение методологических подходов к процессам взаимодействия государства и сельхозпроизводителей в вопросах предоставления и расходования средств государственной поддержки; совершенствование экономических косвенных методов государственной поддержки отрасли, в частности налогообложения. [3] Формирование системы показателей и мониторинга качества и доступности государственных услуг в сфере взаимодействия органов государственной власти и сельхозтоваропроизводителей с целью повышения эффективности государственной поддержки. В составе мер по совершенствованию нормативной базы, регламентирующей порядок и условия взаимодействия государства с сельхозпроизводителями, необходимо внести изменения в ведомственные нормативные акты (административные регламенты оказания государственных услуг по предоставлению субсидий). В частности, дополнить их положениями о сроках административных процедур, выполняемых специалистами многофункциональных центров, указаниями ответственных должностных лиц за выполнение действий, операций на определенных этапах предоставления услуги. [3] Список использованных источниковИскусственный интеллект в сельском хозяйстве: подходы и направления использования [Электронный ресурс] URL: https://ai-news.ru/2020/03/iskusstvennyj_intellekt_v_selskom_hozyajstve_podhody_i_napravleniya.html Искусственный интеллект в АПК: роботы, компьютерное зрение и весы для свиней [Электронный ресурс] URL: https://milknews.ru/longridy/Iskusstvennyj-intellekt-v-APK.html Курдюк П. М. Административно-правовое регулирование в агропромышленном комплексе: учеб. пособие / П. М. Курдюк, А. А. Долгополов, В. А. Очаковский. – Краснодар: КубГАУ, 2019 Почему большие данные играют ключевую роль в развитии современного земледелия [Электронный ресурс] URL: https://blog.onesoil.ai/ru/why-big-data-is-crucial-for-modern-agriculture Скворцов Е.А., Набоков В.И., Некрасов К.В., Скворцова Е.Г., Кротов М.И. Применение технологий искусственного интеллекта в сельском хозяйстве // АВУ. 2019. №8 (187). URL: https://cyberleninka.ru/article/n/primenenie-tehnologiy-iskusstvennogo-intellekta-v-selskom-hozyaystve (дата обращения: 16.10.2020). Совет о поливе со спутника: как «большие данные» приходят в сельское хозяйство [Электронный ресурс] URL: https://www.forbes.ru/tehnologii/342477-sovet-o-polive-so-sputnika-kak-bolshie-dannye-prihodyat-v-selskoe-hozyaystvo Умное фермерство: может ли машина заменить агронома [Электронный ресурс] URL: https://ect-center.com/blog/smart_farming |