Кваліфікаційні роботи магістрів (Маг_ШІ)
Постійний URI для цієї колекції
Перегляд
Останні подання
Публікація Дослідження та використання методів глибинного навчання для розпізнавання об’єктів заданого типу на зображеннях(2024) Яценко, В. І.Об’єкт дослідження – глибинні нейронні мережі. Предмет дослідження – дослідження та використання методів глибинного навчання для розпізнавання об’єктів заданого типу на зображеннях. Мета роботи – дослідження глибинних нейронних мереж, зокрема можливостей згорткових нейронних мереж, їх переваг та недоліків, способів та галузей застосування, спроможності розпізнавати різноманітні задані об’єкти на зображеннях, порівняння різних архітектур згорткових нейронних мереж для розпізнавання об’єктів та порівняння згорткових мереж з іншими підходами розпізнавання об’єктів, порівняння їх точності та швидкості, практичне дослідження різних моделей. Методи дослідження – методи глибинного навчання, методи класифікації зображень з допомогою згорткових нейронних мереж, порівняння переваг та недоліків різних архітектур згорткових нейронних мереж. У результаті роботи проведено аналіз та порівняння методів R-CNN, Fast R-CNN, Faster R-CNN, YOLO, SSD, EfficientDet, що використовуються для розпізнавання об’єктів на зображеннях. Проведено практичний аналіз методів R-CNN та YOLO. Дане дослідження буде корисне для застосування в різних галузях для покращення точності та швидкодії наявних засобів розпізнавання.Публікація Інтелектуальний аналіз міографічних сигналів(2024) Величко, О. О.Об’єкт дослідження – інтелектуальний аналіз міографічних сигналів. Предмет дослідження – алгоритми та технології інтелектуального аналізу міографічних сигналів. Мета роботи – розробка та оцінка алгоритмів інтелектуального аналізу міографічних сигналів з метою підвищення їх точності та ефективності. Методи дослідження – аналіз літературних джерел для вивчення існуючих підходів та алгоритмів інтелектуального аналізу міографічних сигналів, експериментальне тестування алгоритмів на наборі даних, що містить електроміографічні сигнали, визначення та використання метрик для оцінки ефективності та точності розроблених алгоритмів, порівняння результатів різних алгоритмів з метою виявлення найбільш ефективних підходів.Публікація Анонімізація великих даних в інтелектуальних медичних системах(2024) Воронова, Д. С.Об'єкт дослідження − інтелектуальні медичні системи. Предмет дослідження − застосування методів анонімізації даних у медичних системах. Мета роботи − розробка та дослідження ефективності методів штучного інтелекту для анонімізації медичних даних. Роботу присвячено вдосконаленню процесу захисту медичних даних забезпечення конфіденційності пацієнтів та забезпечення відповідності нормативно правовим вимогам у сфері захисту персональних даних у медичних системах. Методи дослідження – аналіз існуючих методів анонімізації багатовимірних даних у медичній сфері. Цей аналіз передбачає оцінку ефективності, точності та відповідності вимогам конфіденційності кожного методу. Під час аналізу враховувались особливості медичних даних та вимоги до їх обробки. Від цього залежать вибір оптимальних стратегій анонімізації, що найкраще відповідають контексту медичної інформації та гарантують збереження якості даних. Передбачається реалізація обраної стратегії анонімізації та її впровадження у інтелектуальні медичні системи. Це включає в себе розробку відповідних алгоритмів та створення програмного коду. Дослідження виконано на основі матеріалів та завдяки доступу до експертного середовища, який є результатом проєкту WARN «Академічна протидія гібридним загрозам» (610133-EPP-1-2019-1-FI-EPPKA2-CBHE JP), що співфінансується програмою Erasmus+ Європейського Союзу.Публікація Розробка алгоритмів сегментації клітин на мікропрепаратах(2024) Яковенко, А. П.Об’єкт дослідження – зображення клітин на мікропрепаратах. Предмет дослідження – алгоритми сегментації біомедичних зображень. Мета роботи – пошук оптимальних алгоритмів для сегментації зображень, та можливості оптимального їх поєднання з нейронною мережею. Методи дослідження – аналіз наукових джерел, експериментальний підбір параметрів.Публікація Порівняльний аналіз методів прогнозування часових рядів для ефективного використання електроенергії(2024) Сумець, С. І.Мета роботи – дослідження методів прогнозування часових рядів з використанням машинного навчання на прикладі завдань постачання електроенергії. Об’єкт дослідження – методи прогнозування часових рядів з використанням машинного навчання. Предмет дослідження – порівняльний аналіз інтелектуальних методів прогнозування часових рядів в завданнях постачання електроенергії. Методи дослідження – методи оцінювання якості прогнозуючих мо делей; методи експериментального моделювання процесів прогнозування часових рядів. Мета роботи полягає в аналізі та порівнянні ефективності різних методів прогнозування часових рядів для передбачення споживання електроенергії в умовах надзвичайних ситуацій, зокрема під час війни в Україні та після пошкодження електростанцій внаслідок терористичних актів. Отримані результати мають допомогти в управлінні та кращому розподілі електричної енергії між споживачами у критичні моменти. Методи дослідження − аналіз літератури, інтернет джерел, технічної документації та інструментарію для роботи з часовими рядами. У ході виконання даної роботи був проведений аналіз та порівняння методів ARIMA, ARIMAX, SARIMA, SARIMAX, Prophet, DeepAR, що використовуються для прогнозування часових рядівПублікація Дослідження методів перефразування коротких повідомлень для соціальних мереж(2024) Свірчков, В. В.Об'єкт дослідження – аналіз методів для перефразування повідомлень у соціальних мережах. Предмет дослідження – застосування існуючих алгоритмів штучного інтелекту для ефективного перефразування тексту. Мета роботи – дослідити та оцінити методи перефразування тексту в контексті соціальних мереж, виявити найбільш продуктивні підходи. Методи дослідження включають аналіз наукової літератури у сфері обробки природної мови, проведення експериментів із застосуванням різних алгоритмів перефразування, порівняння ефективності отриманих моделей. У ході дослідження було проведено глибокий аналіз існуючих технологій та методів перефразування тексту, з акцентом на обробку коротких повідомлень. Розглянуто основні виклики, пов'язані з точністю та збереженням семантичного змісту при перефразуванні. Експериментальна частина дослідження демонструє практичне використання різних моделей машинного навчання та алгоритмів штучного інтелекту для задачі перефразування. Особлива увага приділена перекладу, зміні стильового забарвлення та виправленню помилок. На підставі аналізу результатів експериментів сформульовані рекомендації щодо оптимізації процесу перефразування текстів у соціальних мережах, що сприятиме підвищенню якості комунікації між користувачами.Публікація Штучний iнтелект для генерацiї iгрового контенту(2024) Тхоржевський, В. С.Об’єкт дослідження – процес створення ігрового контенту за допомогою нейронних мереж, таких як Audio to Face, Nemesis та подібних. Предмет дослідження – види нейронних мереж та їх архітектур для генерацiї iгрового контенту. Мета роботи – ознайомлення, вибір та дослідження нейронних мереж для генерації iгрового контенту, що визначає найбільш ефективні моделі в навчанні генерації реалістичного ігрового контенту з аудіо – та текстових описів. Методи дослідження – аналіз існуючих алгоритмів видів генеративних моделей. Виділення ключових понять їх роботи, а також аналіз та електронних ресурсів існуючих моделей для вирішення задач синтезу аудіо та тексту у ігровий контент.Публікація Класифікація страхових випадків методами машинного навчання(2024) Зубова, В. В.Об'єктом дослідження є база даних страхових випадків, що містить інформацію про встановлений чи відсутній факт шахрайства за клієнтською претензією, а також закономірності утворення, існування та властивості, таких випадків. Предметом дослідження виступає сукупність механізмів побудови та використання аналітичних та прогнозних моделей щодо страхових випадків. Мета дослідження полягає у проведенні аналізу бази даних страхових претензій, створенні на його основі прогнозних моделей класифікації, виявленні закономірностей існування страхових випадків та факторів, що визначають принципи їх утворення, використовуючи методи машинного навчання та інтелектуального аналізу даних, для подальшого попередження шахрайських дій та запобігання можливих небажаних збитків представників страхового бізнесу. Методи дослідження: кореляційний та статистичний аналізи, методи машинного навчання: логістична регресія, метод опорних векторів, алгоритм k-найближчих сусідів, Байєсовський класифікатор, дерево рішень, випадковий ліс та нейронна мережа.Публікація Дослідження та застосування знання-орієнтованого підходу до розробки рекомендаційних систем(2024) Жукотинський, Т. Г.Об’єкт досліджeння – peкомeндaційні систeми, зaсновaні нa знaнняx. Пpeдмeт досліджeння – мeтоди побудови peкомeндaційниx систeм, зaсновaниx нa знaнняx. Мeтa pоботи – aнaліз тa зaстосувaння мeтодів побудови peкомeндaційниx систeм, зaсновaниx нa знaнняx в пpeдмeтній облaсті кулінapниx peцeптів. Мeтоди досліджeння – методи системного аналізу, методи машинного навчання, методи інженерії знань, аналіз peкомeндaційниx систeм, побудовa пpототипу peкомeндaційної систeми, зaсновaної нa знaнняx зa допомогою інтeгpовaного сepeдовищa poзpoбки PhpStorm, пpoгpaмyвaння PHP на базі фреймворку Laravel. Postman, мови В peзультaті пpовeдeниx досліджeнь, виpішeно задачу поpівняння тa aнaлізу pізномaнітниx мeтодів побудови peкомeндaційниx систем, зaсновaниx нa знaнняx, ствоpeно пpототип. Дaнa pозpобкa може бути перспективною до подальшого розвитку у використанні у футбольному світі.Публікація Дослідження методів класифікації шахрайських блокчейн транзакцій(2024) Трубчанiн, О. В.Об’єкт розробки – процес виявлення шахрайських транзакцій у блокчейн-мережі. Предмет розробки – алгоритми класифікації транзакцій у блокчейн мережі як шахрайських або не шахрайських. Мета роботи – розробка системи для автоматичного виявлення шахрайських транзакцій у блокчейні. Методи дослідження – аналіз літератури, аналіз існуючих технологій для виявлення шахрайства, дослідження методів машинного навчання, моделювання системи, концептуальне та фізичне проектування бази даних. Результати роботи – система для автоматичного виявлення шахрайських транзакцій у блокчейні. Об’єкт дослідження та предмет дослідження – об'єктом дослідження є процес виявлення шахрайських транзакцій у блокчейн-мережі, а предметом дослідження є алгоритми машинного навчання та методи класифікації, які дозволяють автоматично ідентифікувати шахрайські транзакції. Охоплення різних аспектів, таких як обробка великих обсягів даних, інтеграція з блокчейн-мережами та забезпечення безпеки даних, є ключовим для розробки цієї системи.Публікація Дослідження ігрових моделей реконфігурації мереж(2024) Шергін, В. В.Об’єктом досліджень є ігрові моделі прийняття рішень. Предметом досліджень є еволюція структури зв’язків безмасштабних мереж внаслідок взаємодії між вузлами за ігровими моделями. Метою роботи є дослідження еволюції структури зв’язків мереж в залежності від виду та налаштувань ігрової моделі.Публікація Дослідження методів автоматичного резюмування текстів новин(2024) Смолярчук, С. В.Об'єкт дослідження – дослідження методів штучного інтелекту для задачі обробки природомовної інформації. Предмет дослідження – практична реалізація одного з алгоритмів штучного інтелекту для розв'язання задачі сумаризації тексту для обраної предметної галузі резюмування блоку новин. Мета роботи – застосування методів штучного інтелекту для розв'язання задачі сумаризації тексту новин. Методи дослідження – моделювання та експериментальне дослідження в особливих умовах, що створюються особисто для вивчення певних характеристик явлення в задачі розпізнавання тексту.Публікація Прогнозування фінансових часових рядів за допомогою нейронних мереж(2024) Степаненко, П. А.Об’єкт дослідження – процес прогнозування та аналізу фінансових часових рядів. Предмет дослідження – програмні засоби та методи аналізу і прогнозування фінансових часових рядів. Мета роботи – дослідження процесу прогнозування фінансових часових рядів за допомогою нейронних мереж. Проєктування нейронних мереж для прогнозування фінансових часових рядів та їх порівняння. Методи дослідження – дослідження наявних наукових робіт з дотичних тем, аналіз існуючих методів прогнозування, пошук даних для прогнозування та експериментальні дослідження. У результаті роботи проведено теоретичний аналіз завдання прогнозування, предметної сфери фінансових часових рядів, архітектур нейронних мереж, методи їх оптимізації та метрики якості для їх оцінювання. Для навчання та тестування роботи реалізованих нейронних мереж було використано дані котирувань євро-долар за останні 10 років. В результаті роботи було проаналізовано якість прогнозування часового ряду різними нейронними мережами та зроблено висновки щодо подальших можливостей їх покращення.Публікація Розпізнавання зображень згортковими нейронними мережами з використанням різних активаційних функцій(2024) Піхуля, Д. О.Об’єкт дослідження – розпізнавання зображень згортковими нейронними мережами. Предмет дослідження – ефективність використання деяких активаційних функцій при розпізнаванні зображень згортковими нейронними мережами. Мета роботи – дослідження існуючих активаційних функцій, розглядання можливих нових активаційних функцій, та оцінка їх ефективності в задачі класифікації зображень з використанням згорткових нейронних мереж. Методи дослідження – аналіз літератури та визначення закономірностей, що можуть робити деякі існуючі активаційні функції успішними, та відповідне створення можливих нових активаційних функцій, із проведенням експериментів з використанням реальних даних для оцінки їх ефективності. У роботі були сформовані прості емпіричні правила для створення нових активаційних функцій, та створена і протестована низка нових активаційних функцій. Загалом було випробувано 37 різновидів нових функцій та порівняно їх із 35 існуючими. Були проведені експерименти із наборами даних CIFAR-10, MNIST, Fashion-MNIST.Публікація Створення та використання синтетичних текстових даних для покращення продуктивності моделей машинного навчання в умовах недостатньої доступності реальних даних(2024) Писаренко, К. В.Об'єкт дослідження– покращення продуктивності та якості роботи моделей машинного навчання за допомогою згенерованих синтетичних даних. Предмет дослідження– методи штучного інтелекту для генерації та використання синтетичних текстових даних у машинному навчанні. Мета роботи– аналіз та оцінка впливу синтетичних текстових даних на продуктивність та ефективність різноманітних моделей машинного навчання. Методи дослідження– дослідження наукових праць у сфері штучного інтелекту, експериментальне дослідження застосування синтетичних даних, порівняльний аналіз продуктивності моделей машинного навчання на реальних, синтетичних та змішаних текстових даних. На основі проведених експериментів та аналізу отриманих результатів розроблені рекомендації щодо вибору оптимальних стратегій використання синтетичних даних для покращення продуктивності машинного навчання у різних доменах застосування.Публікація Дослідження використання адаптивного подвійного нео-нечіткого нейрона для підвищення ефективності розпізнавання образів(2024) Плєтньов, В. В.Об'єкт дослідження – процес розпізнавання образів за допомогою нейронних мереж. Предмет дослідження – використання адаптивного подвійного нео нечіткого нейрона для підвищення ефективності розпізнавання образів. Мета роботи – підвищення ефективності розпізнавання образів шляхом розробки та використання моделі адаптивного подвійного нео нечіткого нейрона, що поєднує переваги нечіткої логіки та нейронних мереж. Методи дослідження: аналіз наукових і технічних джерел щодо сучасних методів розпізнавання образів, розробка теоретичної моделі адаптивного подвійного нео-нечіткого нейрона, програмна реалізація розробленої моделі з використанням фреймворків машинного навчання. Кваліфікаційна робота присвячена дослідженню можливостей підвищення ефективності розпізнавання образів за допомогою адаптивного подвійного нео-нечіткого нейрона. В рамках роботи проведено аналіз сучасних методів розпізнавання образів, зокрема згорткових нейронних мереж та нео-нечітких нейронів. Розроблено теоретичну модель адаптивного подвійного нео-нечіткого нейрона, що поєднує переваги нечіткої логіки та нейронних мереж. Модель реалізовано програмно з використанням сучасних фреймворків машинного навчання та проведено експериментальні дослідження на стандартних наборах даних (MNIST, CIFAR-10, ImageNet).Публікація Дослідження методу навчання трансформерів для задач створення зображень за текстовими даними(2024) Поліїт, М. Р.Об’єкт дослідження – нейронна мережа для генерування зображень за текстовим описом. Предмет дослідження – аналіз та обробка текстового опису за яким необхідно створити зображення. Мета роботи – дослідження моделі нейронної мережі, яка генерує зображення за текстовим описом використовуючи трансформери. Методи дослідження – розробка та навчання моделі нейронної мережі для генерування зображення за текстовим описом.Публікація Дослідження методів оптимізації web-сайтів з використанням семантичного моделювання конфігурації(2024) Ряполов, В. С.Об'єкт дослідження: конфігурації web-сайтів. Метою кваліфікаційної роботи є моделювання конфігурації веб-сайту для автоматичної оптимізації контенту, а також підвищення рейтингу у пошукових системах. Результатом роботи є збільшення відвідуваності унікальних користувачів у день та збільшення кількості пошукових запитів, що потрапили на першу сторінку пошукової видачі в результаті моделювання конфігурації web-сайту.Публікація Нейромережа обробки даних хімічних аналізів(2024) Михно, Є. В.Об’єкт дослідження– аналіз речовин на основі даних хімічних сенсорів. Предмет дослідження– різні методи класифікації хімічних речовин з використанням «штучного язика»– набору хімічних сенсорів. Мета роботи– дослідити ефективність різних підходів до класифікації хімічних речовин, використовуючи методи класичного машинного навчання, а також різні види нейронних мереж. Акцент робиться на пошуку оптимального шляху для класифікації та підвищення точності результатів. Методи дослідження охоплюють глибоке дослідження наявних наукових робіт з дотичних тем, комплексний аналіз технологій, що використовуються для розробки сенсорів для аналізу та класифікації речовин, пошук даних для аналізу та експериментальні дослідженняПублікація Дослідження технологій штучного інтелекту в креативних індустріях(2024) Місяк, С. В.Об’єкт дослідження – штучний інтелект як інструментальний засіб у креативних індустріях. Застосування ШІ у живописі, дизайні інтерфейсів, музиці, кінематографії, промисловому дизайні та архітектурі. Предмет дослідження – методи та техніки ШІ, що використовуються для збільшення інноваційності та креативності. Це включає детальний аналіз генеративних змагальних мереж, згорткових нейронних мереж, систем обробки природної мови та інших релевантних технологій. Мета роботи – аналізувати та оцінити вплив технологій штучного інтелекту на креативність і продуктивність у креативних індустріях, виявити основні переваги та виклики, пов'язані з їхнім впровадженням, та розробити рекомендації для оптимізації їх застосування. Методи дослідження – огляд наукової літератури, кейс-стаді аналіз проектів, синтез отриманих даних, порівняльний аналіз, використання статистичних інструментів для обробки даних. Ці методи дозволили проаналізувати тенденції і визначити ефективність різних підходів. У цій кваліфікаційній роботі було проведено дослідження технологій штучного інтелекту у креативних індустріях. Використовуючи аналітичний огляд літератури та кейс-стаді аналізи, було виявлено ключові переваги та виклики застосування ШІ, що дозволило сформулювати рекомендації для оптимізації його використання.