Дипломная работа на тему "ТЮМГУ | Разработка алгоритма машинного обучения для автоматизации определителя лишайников тюменской области на основе собственной базы данных"

Работа на тему: Разработка алгоритма машинного обучения для автоматизации определителя лишайников тюменской области на основе собственной базы данных
Оценка: отлично.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ» ИНСТИТУТ БИОЛОГИИ
Кафедра экологии и генетики

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
дипломная работа
РАЗРАБОТКА АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ ДЛЯ АВТОМАТИЗАЦИИ ОПРЕДЕЛИТЕЛЯ ЛИШАЙНИКОВ ТЮМЕНСКОЙ ОБЛАСТИ НА ОСНОВЕ СОБСТВЕННОЙ БАЗЫ ДАННЫХ

06.05.01 Биоинженерия и биоинформатика

Тюмень 2022

РЕФЕРАТ
48 с, табл. 2; рис. 2; библ. 37.
В данной выпускной квалификационной работе описаны классические алгоритмы машинного обучения для классификации, а также ход разработки автоматизированного определителя лишайников Тюменской области на основе собственной базы данных.
В главе 1. «Обзор литературы» обобщены научные данные о биологических особенностях лишайников. На основе анализа данных литературы была составлена база данных, на основе которой была проведена дальнейшая разработка алгоритма машинного обучения.
В главе 2. «Материалы и методы» приведены лишайники, отобранные для машинного обучения и классические алгоритмы машинного обучения для классификации. В ходе работы мы остановились на 78 лишайниках и алгоритме машинного обучения «дерево решений)).
В главе 3 «Результаты и их обсуждение» изложены результаты разработки алгоритма машинного обучения для автоматизации определителя лишайников Тюменской области на основе созданной базы данных.
Ключевые слова: лишайники, машинное обучение, база данных, Python, алгоритмы машинного обучения, дерево решений.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 5
ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ 7
1.1. БИОЛОГИЧЕСКИЕ ОСОБЕННОСТИ ЛИШАЙНИКОВ 7
1.1.1. МИКОБИОНТ 8
1.1.2. ФОТОБИОНТ 9
1.1.2. АНАТОМИЧЕСКОЕ СТРОЕНИЕ JШllIАЙНИКОВ 11
1.1.4. ТИПЫ ТАЛЛОМОВ ЛИШАЙНИКОВ 12
1.1.4. ПЛОДОВЫЕ ТЕЛА 15
1.1.5. РАЗМНОЖЕНИЕ ЛИШАЙНИКОВ 17
1.1.6. РАСПРОСТРАНЕНИЕ И ЭКОЛОГИЕСКИЕ ГРУIПIЫ ЛИШАЙНИКОВ 18
1.2. ГЕОГРАФИЧЕСКОЕ ПОЛОЖЕНИЕ ТЮМЕНИ 20
ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ 22
2.1 МАТЕРИАЛЫ 22
2.1.1 БИБЛИОТЕКА NUМPY 32
2.1.2. БИБЛИОТЕКА PANDAS 34
2.2 АЖОРИТМЫ МАШИННОГО ОБУЧЕНИЯ 35
2.2.1. ДЕРЕВО РЕШЕНИЙ 36
2.2.2. СЛУЧАЙНЫЙ ЛЕС 38
2.2.3. АЖОРИТМК-БЛИЖАЙШИХ СОСЕДЕЙ 39
2.3 РАЗРАБОТКА МАШИННОГО ОБУЧЕНИЯ 41
ГЛАВА 3: РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ 42
3.1. РЕЗУЛЬТАТЫ СОЗДАНИЯ БАЗЫ ДАННЫХ 42
3.2. РЕЗУЛЬТАТЫ СОЗДАНИЯАЛГОРИТМА 43
выводы 45
БИБЛИОГРАФИЧЕСКИЙ список 46
ПРИЛОЖЕНИЕ 1 49
ПРИЛОЖЕНИЕ 2 50

ВВЕДЕНИЕ
Лишайники представляют собой своеобразную группу комплексных организмов, тело которых всегда состоит из двух компонентов- гриба и водоросли [Жизнь растений... , с. 487]. Они являются неотъемлемым компонентом многих растительных сообществ. Их большое видовое разнообразие и широкое внедрение в разные экотопические пространства вызывает большой интерес к их роли в экосистеме [Тарасова, Сонина, Андросова, с. 76]. В рамках деятельности человека лишайники могут быть использованы с разными целями. Прежде всего, для понимания видового разнообразия лишайников в природе. Так же их можно использовать для мониторинга чистоты воздуха, так как они являются специфичными биоиндикаторами [Выявление влияния факторов ... ]. Понимание распространённости лишайников помогает находить краснокнижные виды и вносить коррективы в их список.
Машинное обучение - это научная область, находящаяся на пересечении статистики, искусственного интеллекта и компьютерных наук. Методы машинного обучения могут служить мощным инструментом для решения многих задач, связанных с анализом больших данных. Данные методы могут применяться в таких параметрах биоинформатики, как геномика, протеомика, системная биология, эволюционная биология и анализ текста [Гвидо, Мюллер, с. 13]. Технологии машинного обучения недавно достигли впечатляющих результатов в различных задачах прогнозирования, таких как идентификация видов, моделирование распределения видов растений, повреждения ртутью гербарных образцов и т.п [Plaпts meet machines: Prospects ... ].
Несмотря на то, что видовое разнообразие лишайников велико, базы данных, на данный момент, скудны, а о автоматизации данного процесса и речи не идёт.
Цель данной работы заключается в разработке алгоритма машинного обучения для автоматизации определителя лишайников Тюменской области, на основе собственной базы данных.
В связи с поставленной целью были сформулированы и выполнены следующие задачи:
1) Преобразовать базу данных для возможности обучения алгоритма. машинного обучения;
2) Осуществить поиск подходящих алгоритмов для автоматизации определителя и отобрать нужный для решения задачи;
3) Написать и провести обучение кода алгоритма машинного обучения на основе созданной бюы данных.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Aurelien G. Hands -On Machine Leaming with Scikit- Leam and TensorFlow // PuЫished Ьу O'Reilly Media. 2017 с. 751
2. Btidel, В., Scheidegger, С. Thallus morphology and anatomy. // Lichen Biology. Cambridge, Cambridge University Press, 2008. Р. 40-68.
3. Giordani Р., Incerti G. The influence of climate on the distribution of lichens: а case study in а borderline area // Plant. Ecol. 2008. Vol. 195. № 2. Р. 257-272.
4. Leavitt S. D., Lumbsch Н. Т. Ecological Biogeography of Lichen - Forming
Fungi. //Environmental and MicroЬial Relationships. Vol. VI. The Mycota. Cham: Springer. 2016. Р. 15-37.
5. Nash Т. Lichen Biology (2nd ed.). // Cambridge: Cambridge University Press. 2008. Р. 486.
6. Scholler, Н., Mollenhauer D. FlechtensymЬiose und Flechtenthallus. Flechten: Geschichte, Biologie, Systematik, Okologie, Naturschutz und kulturelle Bedeutung // Frankfurt am Main: Senckenbergische Naturforschende Gesellschaft, 1997. Р. 15-47.
7. Unger J, MerhofD, Renner S. Computer vision applied to herbarium specimens of German trees: testing the future utility of the millions of herbarium specimen images for automated identification. ВМС Evol Biol. 2016
8. Wirth V., Hauck М. and Schultz М. Die Flechten Deutschlands. First edition 2013. Р. 410.
9. Weber В., Btidel В. Fungi and Lichens. In: Reitner J., Thiel V. Encyclopedia of GeoЬiology. // Encyclopedia of Earth Sciences Series. Springer, Dordrecht. 2011. С. 401.
10. Абрамов И.И. Определитель лишайников СССР: в 5 - ти т. // Ленинград: Изд-во Наука. 1971. С. 412
11. Алексеева Н.А., Хозяинова Н.В. К вопросу о лихенофлоре Пуровского района Тюменской области // Вестник экологии, лесоведения и ландшафтоведения. № 8. 2008. С.43 - 50.
12. Водоросли, лишайники и мохообразные СССР/ Гарибова Л.В., Дундин Ю.К., Коптяева Т.Ф., Филин В.Р. Москва: Мысль, 1978. С.365
13. Выявление влияния факторов внешней среды на рост и распространение лишайников/ Кривощапов Н.С. [и др.] // Современные проблемы науки и образования. 2017. № 6
14. Гвидо С., Мюллер А. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. Из - во Альфа - книга, 2017. С.480
15. Голубкова Н.С. Определитель лишайников России: в 10 - ти т. // Санкт - Петербург: Изд - во Наука, 1996 - 2008. С.203
16. Дьяков Ю.Т. Ботаника. Курс альгологии и микологии.// Изд- во W'Y. 2007. С.559
17. Евлоева П.Х. Образ жизни и распространение лишайников. // Журнал:
Матрица научного познания 12-2.2020. С. 61-63
18. Жизнь растений. Водоросли. Лишайники/ Под ред. проф. М. М. Голлербаха. Москва: Просвещение. 1977. Т.3. С.365.
19. Козырева Е.А. Лишайники национального парка «Хвалынский».// Саратов: Изд- во Амирит. 2018. С.76.
20. Лемешевский В.С. Введение в библиотеку pandas// Институт математики НАН Беларуси. 2020. С.37
21. Листоватые и кустистые городские лишайники: атлас - определитель: учебное пособие для студентов биологических специальностей вузов Цуриков А. Г., Храмченкова О. М. [и др.]// Минестерство образования РБ, Гомельский гос. университет. им. Ф. Скорины. Гомель: ГГУ им. Ф. Скорины. 2009. С.123
22. Лиштва А.В. Лихенология: учеб. - метод. Пособие// Иркутск: Изд - во Иркут.
гос. университета, 2007. С.121.
23. Лонца А. Алгоритмы обучения с подкреплением на Python // Москва: Изд - во ДМК Пресс. 2020. С.286
24. Маккини У. Python и анализ данных // Москва: Изд - во ДМК Пресс. 2020. С.540
25. Мучник Е.Э., Инсарова И.Д., Казакова М.В. Учебный определитель лишайников Средней России: учебно - методическое пособие // Рязянский государственный университет им. С.А. Есенина. 2011. С.360.
26. Окснер А.Н. Определитель лишайников СССР. Морфология, систематика и географическое распространение// Изд- во Наука. 1974. С.284
27. Рябкова К.А. Лишайники Урала (учебное пособие)// Свердловск, 1981. С. 50 28.Рашка С. Мирджалили В. Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-leam и TensorFlow// Санкт
Петербург: Изд-во Диалектика. 2020. С.848
29. Седельникова Н. В. Экологические особенности лихенофлоры Ханты - Мансийского автономного округа Югры // Сибирский экологический журнал. 2011. № 2. С.203 -214.
30. Седельниклва Н.В. Видовое разнообразие лихенобиоты Западной Сибири и оценка участия видов лишайников в основных её горных и равнинных фитоценозах// Новосибирск: Академическое изд- во Гео. 2017.С.611
31. Сонина А.В., Степанова В.И., Тарасова В.Н. Лишайники: Учеб. Пособие. Ч.I: Морфология, анатомия, систематика// Петрозаводск: Изд- во ПетрГУ, 2006. с. 216
32. Тарасова В.Н., Сонина А.В., Андросова В.И. Лишайники: физиология,
экология, лихеноиндекация // Международный журнал прикладных и фундаментальных исследований. 2013. № 11 - 1. С. 76 -77
33. Толпышева Т.Ю., Тарасов К.Л. Учебное пособие по морским водорослям и лихенизированным грибам (лишайникам) для летней практики студентов// Москва: Изд - во Московского университета, 2014. С. 120
34. Толпышева Т.Ю. Шишконакова Е.А. Лишайники природного парка «Нумто». Краткий определитель. // Екатеринбург: Изд - во Ассорти. 2018. С.187.
35. Хилл К. Научное программирование на Python // Москва: Изд - во ДМК Пресс, 2021. С.646
36. Черепанов С.К. Сосудистые растения России и сопредельных государств (в пределах бывшего СССР)// Издательство: Мир и семья. 1995. С.992
37. Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python // Москва: Изд-во ДМК Пресс. 2018. С.358