Optimization control tolerances for signs of recognition in machine learning

Запропоновано в рамках інформаційно-екстремальної інтелектуальної технології аналізу даних алгоритм машинного навчання системи розпізнавання зображень морфології тканин при діагностування онкопатологій. При цьому оптимізація контрольних допусків на діагностичні ознаки здійснюється за паралельно-послідовним алгоритмом, що дозволяє підвищити достовірність і оперативність машинного навчання Для забезпечення інваріантності алгоритму навчання системи розпізнавання до зсуву та повороту оброблення зображень здійснювалося у полярній системі координат. Реалізація алгоритму розглянуто на прикладі розпізнавання цифрових морфологічних зображень тканин, отриманих методом біопсії.The article present method under extreme intellectual information technologies of data analysis algorithm machine learning image recognition system tissue morphology in the diagnosis cancer. This optimization control tolerances diagnostic signs carried by parallel-sequential algorithm, which improves the reliability and efficiency of machine learning to provide training algorithm invariance recognition system to shift and rotate images processing was carried out in a polar coordinate system. As functional efficiency criterion used Shannon entropy measure. Application of such algorithm allows to consider the quasioptimal control tolerances received in the course of parallel optimization, as start for serial algorithm. It guarantees a finding in the course of optimization values of entropy criterion of the functional learning efficiency in working (admissible) area determination of its function. Implementing the algorithm considers the example of morphological recognition of digital images of tissue obtained by biops