Кафедра штучного інтелекту (ШІ)

Постійний URI для цієї колекції

Перегляд

Останні подання

Зараз показано 1 - 5 з 211
  • Документ
    Харківський національний університет радіоелектроніки у світових рейтингах університетів
    (МЦДН, 2023) Чала, Л. Е.; Бєлянінова, Г. Г.
    Тези присвячено 5-річчю створення відділу бенчмаркінгу та веб-менджменту у Харківському національному університеті радіоелектроніки (ХНУРЕ). Наведено переваги присутності університетів у світових рейтингах та ті світові рейтинги університетів, до яких за 5 років увійшов ХНУРЕ.
  • Документ
    Нейромережева технологія багатомовної класифікації електронних текстів
    (ХНУРЕ, 2021) Дудник, М. П.; Удовенко, С. Г.; Чала, Л. Е.; Соколовська, М. M.
    Статтю присвячено розробці технології побудови багатомовних класифікаторів, яка основана на нейромережевій обробці векторного подання текстів, згенерованого за допомогою моделі XLM-RoBerta. Розглянуто переваги використання для векторизації текстів рекуррентної нейронної мережі на основі трансформеру моделі XLM-RoBerta. Наведено схему взаємодії розробленого класифікатору на основі мережі LSTM з моделлю векторизації текстів. Запропоноване архітектурне рішення обумовлено необхідністю оптимізації витрат ресурсів та їх економії під час використання моделі у релізному середовищі за допомогою розробленого веб-сервісу. Здійснено програмну реалізацію запропонованої технології класифікації. Програмний додаток реалізовано засобами мови програмування Python за допомогою бібліотеки для машинного навчання TensorFlow та комплексної платформи Tensorflow Extended. Серверну частину реалізовано з використанням фреймворку aiohttp. Експериментальне дослідження розробленого класифікатору текстів здійснено з використанням News Category Dataset, що представляє собою багатомовні заголовки текстових новин. Застосування запропонова ної технології класифікації характеризується незначним погіршенням показників якості під час зміни мови, що дозволяє розробляти багатомовні моделі без втрати їх продуктивності при зміні мови вхідних даних. Результати тестування підтверджують ефективність наведеного підходу.
  • Документ
    Створення офлайн-додатку для швидкої транскрипції друкованого тексту та формульних виразів
    (ХНУРЕ, 2023) Горгуль, Д. О.
    This paper proposes a solution that involves the use of optical character recognition (OCR) technology to convert printed text and certain kinds of formulas into digital text [1], which can then be edited and saved by the user. The application would be designed to work offline, without the need for an internet connection, and would prioritize speed and accuracy in the transcription process. The proposed program would use a combination of machine learning algorithms, document writing rules, and natural language processing techniques to improve its accuracy and efficiency. Limiting the program to recognizing only printed text will increase the accuracy of printed text recognition.
  • Документ
    Переваги згорткових нейронних мереж як технології розпізнавання зображень
    (ХНУРЕ, 2023) Соловей, І. В.
    Image recognition is a crucial area of study in computer vision and machine learning, with numerous applications in various fields such as medical imaging, self-driving cars, security, and entertainment. Convolutional Neural Networks (CNNs) have revolutionized image recognition technology, enabling machines to identify and classify images with high accuracy. This thesis provides an in-depth look at the advantages and challenges of CNNs, as well as their applications in different industrie
  • Документ
    Матричний метод опорних векторів з адаптивним комбінованим навчанням активаційної функції в рамках задачі розпізнавання образів
    (ХНУРЕ, 2023) Ревека, К. І.
    In the article, we introduce an image recognition system that is based on least squares support vector machines with matrix inputs. Its distinctive features include not just the ability to process images in their initial matrix form without vectorization, but also that centers of activation functions are formed with the observations from the training set. The tuning procedure of the system is characterized by the combination of the supervised learning paradigm, «lazy» learning using the «neurons at data points» concept, T. Kohonen’s self-learning, and learning vector quantization. Experimental results confirm the presented theoretical analysis