Електронний архів наукових та освітніх матеріалів КПІ ім. Ігоря Сікорського

ELAKPI – інституційний репозитарій, що накопичує, зберігає, розповсюджує та забезпечує довготривалий, постійний та надійний доступ через Інтернет до наукових та освітніх матеріалів професорсько-викладацького складу, співробітників, студентів, аспірантів та докторантів КПІ ім. Ігоря Сікорського. За посиланням можна ознайомитися з положенням про ELAKPI.

Доступ до матеріалів ELAKPI

Доступ до повних текстів матеріалів ELAKPI вільний в мережі Інтернет, крім:

  • частини матеріалів з зібрань факультетів/кафедр, завантажених до 2016 року, доступ до яких надається в локальній мережі університету, що вказано в описі матеріалу;
  • звітів про НДР – доступ з комп’ютерів у залі № 6.6 НТБ;
  • дисертацій та авторефератів, завантажених до 2016 року, які доступні тільки для перегляду з комп’ютерів у залі № 6.6 НТБ.

Щоб отримати права на перегляд/скачування повних текстів ресурсів, доступних тільки в локальній мережі університету, зареєстровані користувачі Бібліотеки КПІ ім. Ігоря Сікорського можуть скористатися послугою Віддалений доступ до "локальних" ресурсів.

Розміщення матеріалів в ELAKPI
Контакти

Бібліотека КПІ ім. Ігоря Сікорського, зал № 4.4, тел. +38 (044) 204-96-72, elakpi@library.kpi.ua, elakpi.ntb@gmail.com

 

Фонди

Виберіть фонд, щоб переглянути його зібрання.

Зараз показуємо 1 - 38 з 38

Нові надходження

Ескіз
ДокументВідкритий доступ
Інтелектуальна система відеомоніторингу стану водія автотранспорту для підвищення безпеки дорожнього руху
(КПІ ім. Ігоря Сікорського, 2026) Кудрявцев, Іван Михайлович; Титаренко, Андрій Миколайович
Дипломна робота: 101 с., 15 рис., 16 табл., 2 додатки, 24 джерела. Об’єкт дослідження — процес виявлення ознак сонливості водія транспортного засобу за відеопотоком у реальному часі. Предмет дослідження — методи комп’ютерного зору, архітектури нейронних мереж та алгоритми обробки відеопотоку для моніторингу стану водія. Мета роботи — розроблення інтелектуальної системи відеомоніторингу стану водія на основі гібридної архітектури OpenCV та YOLOv8, що функціонує в режимі реального часу на стандартній веб-камері без спеціалізованого апаратного забезпечення. Як результат роботи, проаналізовано дорожньо-транспортну статистику, пов’язану з втомою водіїв, та визначено ключові візуальні маркери сонливості. Розроблено програмний продукт мовою програмування Python, що реалізує двоетапний пайплайн детекції: каскади Хаара локалізують обличчя і зону очей, а нейронна мережа YOLOv8n класифікує стан кожного ока. Сформовано гібридний навчальний датасет та проведено навчання моделі із застосуванням domain adaptation. Реалізовано двошаровий алгоритм накопичення індексу сонливості, який забезпечує стійкість системи до поодиноких хибних класифікацій. Практична цінність роботи полягає в тому, що система розгортається на стандартній веб-камері та персональному комп’ютері без спеціалізованих сенсорів, що суттєво знижує поріг впровадження систем моніторингу стану водія у малому та середньому транспортному бізнесі.
Ескіз
ДокументВідкритий доступ
Прогнозування економічної стійкості країн методами машинного навчання
(КПІ ім. Ігоря Сікорського, 2026) Комаренко, Віктор Русланович; Кузнєцова, Наталія Володимирівна
Дипломна робота: х 118, 11 табл., 23 рис., 2 додатки, 14 джерел. Об'єкт дослідження – макроекономічні показники країн світу за період 1997–2024 років. Предмет дослідження – методи прогнозування економічної стійкості країн та інтерпретації результатів на основі алгоритмів машинного навчання і композитних індексів. Мета роботи – розробка системи прогнозування економічної стійкості країн на основі Composite Resilience Index із застосуванням методів машинного навчання, SHAP-інтерпретації моделей та кластеризації з визначенням кількісних меж класів стійкості. Актуальність – в умовах глобальної економічної нестабільності, наслідків пандемії COVID-19 та збройних конфліктів своєчасне виявлення і прогнозування кризових станів національних економік є критично важливим для прийняття обґрунтованих управлінських рішень на національному та міжнародному рівнях. Результати роботи – розроблено програмно-аналітичну систему, що інтегрує дані World Bank API та IMF DataMapper для 172 країн, будує індекс методом головних компонент, навчає та порівнює чотири моделі прогнозування, забезпечує SHAP-інтерпретацію прогнозів та класифікує країни за рівнем економічної стійкості на три кластери з визначеними кількісними межами.
Ескіз
ДокументВідкритий доступ
Розробка мобільної інтелектуальної системи розпізнавання навколишніх звуків для допомоги користувачам на основі аудіоаналізу із застосуванням методів глибокого навчання
(КПІ ім. Ігоря Сікорського, 2026) Коросташевич, Марія Ярославівна; Гуськова, Віра Геннадіївна
Дипломна робота: 114 с., 14 рис., 12 табл., 16 посилань, 2 додатки. Об'єкт дослідження – аудіосигнали навколишнього середовища, що можуть бути корисними для інформування користувача про події поряд із ним. Предмет дослідження – методи аудіоаналізу та глибокого навчання для класифікації навколишніх звуків у мобільному середовищі. Мета роботи – розробити мобільну інтелектуальну систему, яка виконує локальне розпізнавання вибраних класів навколишніх звуків і допомагає користувачу реагувати на важливі події. У роботі розглянуто сучасні підходи до класифікації навколишніх звуків, проаналізовано особливості мобільного аудіоаналізу та підготовлено аудіодані на основі відкритих датасетів FSD50K та ESC-50. Для побудови моделі використано YAMNet як джерело аудіоознак, поверх яких навчено додатковий класифікатор для вибраних класів звуків. Практичну частину реалізовано у вигляді Android-застосунку мовою Kotlin із використанням TensorFlow Lite для локального розпізнавання, фоновим моніторингом аудіо та системою сповіщень користувача. Проведено оцінювання точності розпізнавання, побудовано матрицю плутанини, порівняно результати різних підходів та визначено обмеження розробленої системи..
Ескіз
ДокументВідкритий доступ
Математичне моделювання та прогнозування показників економічного стану населення в умовах глобальних демографічних трансформацій
(КПІ ім. Ігоря Сікорського, 2026) Коваленко, Олександра Павлівна; Гуськова, Віра Геннадіївна
Дипломна робота містить 100 с., 11 табл., 16 рис., 1 дод., 15 джерела. Тема: Математичне моделювання та прогнозування показників економічного стану населення в умовах глобальних демографічних трансформацій. Об'єкт дослідження — соціально-економічні та демографічні процеси в п'яти європейських країнах (Україна, Польща, Німеччина, Італія, Іспанія) в умовах сучасних демографічних трансформацій за 2000–2024 роки. Предмет дослідження — математичні моделі та методи прогнозування індексу Джині на основі демографічних (частка населення 65+, коефіцієнт фертильності, чиста міграція) та макроекономічних (ВВП на душу населення, рівень безробіття, інфляція) чинників, реалізовані засобами регресійного аналізу, ансамблевого машинного навчання, моделей часових рядів і кластеризації. Мета роботи — розробити систему математичного моделювання та прогнозування індексу Джині для п'яти європейських країн, що поєднує множинну лінійну регресію, алгоритм Random Forest, модель ARIMA, кластеризацію K-Means та сценарний аналіз в єдиному аналітичному контурі системи підтримки прийняття рішень (DSS). Результат роботи — аналітична DSS-система, реалізована мовою Python, що автоматизує збір даних через World Bank API, формує багатовимірну матрицю показників (125 × 9), порівнює якість чотирьох прогнозних моделей за метриками MAE, RMSE, MAPE та R², будує середньостроковий прогноз індексу Джині для України методом ARIMA, виконує кластеризацію країн і генерує три сценарії розвитку (базовий, оптимістичний, песимістичний). Результати збережено у форматі CSV для подальшого використання в DSS. Програмний продукт розроблено із використанням мови програмування Python та бібліотек pandas, numpy, scikit-learn, statsmodels, matplotlib, seaborn, wbdata.
Ескіз
ДокументВідкритий доступ
Інтелектуальна система прогнозування погодинних цін на основі кластеризації режимів ринку електроенергії України
(КПІ ім. Ігоря Сікорського, 2026) Кіндзерська, Анастасія Олександрівна; Недашківська, Надія Іванівна
Дипломна робота: 117 с., 14 табл., 19 рис., 2 дод., 28 посилань. Мета дослідження – підвищення точності та інтерпретованості прогнозування погодинних цін електроенергії в Україні шляхом побудови інтелектуальної системи, що поєднує кластеризацію типових режимів функціонування ринку електроенергії та моделі машинного навчання для прогнозування цін. Обʼєкт дослідження – процес формування погодинних цін на ринку електроенергії України та добові режими, що описуються часовими рядами цін, імпорту, експорту та балансуючих показників. Предмет дослідження – методи кластеризації добових профілів ринку електроенергії та методи машинного навчання для прогнозування погодинних цін з урахуванням виявлених режимів ринку. Методи дослідження – методи функціонального аналізу даних для подання кожної доби як функціонального спостереження; алгоритм funWeightClust для кластеризації режимів ринку електроенергії; алгоритми K-means і DBSCAN для порівняльного аналізу результатів кластеризації; алгоритм XGBoost для прогнозування погодинних цін електроенергії; методи оцінювання якості кластеризації на основі BIC, ICL та Silhouette; методи оцінювання якості прогнозування на основі MAE, RMSE, MAPE, графічного порівняння фактичних і прогнозних кривих, а також аналізу обчислювальної ефективності за часом виконання. У роботі досліджено проблему підвищення точності прогнозування погодинних цін електроенергії на основі виявлення типових режимів функціонування ринку.