Магістерські роботи (ШІ)
Постійне посилання зібрання
У зібранні розміщено магістерські дисертації на здобуття ступеня магістра.
Переглянути
Перегляд Магістерські роботи (ШІ) за Автор "Данилов, Валерій Якович"
Зараз показуємо 1 - 6 з 6
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Класифікація онкологічних захворювань шкіри методами напівкерованого навчання(КПІ ім. Ігоря Сікорського, 2024) Зарицький, Олексій Олексійович; Данилов, Валерій ЯковичМагістерська дисертація: 131c., 27 рис., 13 табл., 1 додаток, 12 посилань. Об’єкт дослідження – ідентифікація ракових захворювань шкіри. Предмет дослідження – використання методів напівкерованого навчання для покращення якості глибоких нейронних мереж для датасетів з великим відсотком нерозмічених даних, дослідження ефективності різних методів напівкерованого навчання для задачі ідентифікації ракових захворювань шкіри. Мета роботи – використання різних методів напівкерованого навчання для тренування базової моделі та порівняння її ефективності на тестовій вибірці. У цій роботі досліджено застосовність різних методів semisupervised learning для прикладної задачі, а саме задачі класифікації ракових захворювань шкіри по фотографіям, визначено найефективніші та найстабільніші методи для даного класу задач. У якості базової моделі взято просту згорткову нейронну мережу, яка навчалася за допомогою методів Proxy Labeling, Democratic Co-train, MixMatch, Ladder Network у різних модифікаціях та з різними значеннями гіперпараметрів на датасеті HAM10000 із 10% та 5% розмічених даних у тренувальній вибірці. Метричні показники всіх навчених варіантів моделей було порівняно та використано для аналізу найефективнішого методу напівкерованого навчання для даної задачі. Найефективнішими та найстабільнішими методами виявилися Ladder Network та Democratic Co-Train з учителем ResNet18. Результати цієї роботи рекомендується використовувати для навчання класифікаційних моделей в медичних даних. Результати цієї роботи були апробовані на міжнародній конференції.Документ Відкритий доступ Передбачення цін на біржові активи методами глибокого навчання(КПІ ім. Ігоря Сікорського, 2024) Дарьялов, Андрій Андрійович; Данилов, Валерій ЯковичМагістерська дисертація містить 86 стор., 25 табл., 12 рис., 1 додаток та 12 посилання. Об’єкт дослідження: Ринок акцій та криптовалют. Предмет дослідження: машинне навчання, нейронні мережі. Мета роботи: розширення знань про застосування штучного інтелекту в аналізі ринку акцій та криптовалют та визначенні значущих факторів які впливають на ціни на активи. Методи дослідження: аналіз, порівняння, статистики, дослідження. Актуальність роботи полягає в тому, що результати дослідження можуть сприяти покращенню процесів прийняття рішень у фінансовій галузі. Програмний продукт реалізований за допомогою мови програмування Python 3.10 у середовищі розробки Jupyter Notebook. Новизна: у роботі представлено нові фактори які значно впливають на точність передбачення цін на активи Результати: знайдено нові фактори які покращують якість передбачення цін на активи Результати роботи апробовано на МНК. Ключові слова: нейронна мережа, криптовалюта, акції, фондовий ринок, LSTM, GRU, Random Forest, XGBoost.Документ Відкритий доступ Прогноз траєкторії учасників дорожнього руху з використанням кількох камер(КПІ ім. Ігоря Сікорського, 2022) Загній, Єгор Васильович; Данилов, Валерій ЯковичМагістерська дисертація: 114 с., 25 табл., 10 рис., 19 джерел, 1 додаток. Об’єктом дослідження є задача прогнозування траєкторій. Предмет дослідження – алгоритми та моделі прогнозування траєкторій. За останні 10 років людство досягло значного успіху у галузі штучного інтелекту. Це стало можливим завдяки значному зростанню обчислюваних потужностей комп’ютерів, завдяки чому з’явилася можливість тренувати великі нейронні мережі. Штучний інтелект вже є частиною звичного життя людей. Одним з напрямком штучного інтелекту є створення автопілотів для машин. Створення автопілоту неможливо без розв’язання задачі розпізнавання машин і пішоходів навколо машини, знаходження відстаней до них, відслідковування переміщення цих об’єктів, побудови карти з висоти пташиного польоту з розміщенням на ній цих об’єктів, та прогнозуванням траєкторій сусідніх машин. Метою роботи є дослідження й порівняння різних методів, моделей, структур нейронних мереж для вирішення кожної з підзадач: розпізнавання об’єктів навколо машини, знаходження відстаней до них, побудови виду з висоти пташиного польоту навколо машини, відслідковування переміщення кожного об’єкта та прогнозування траєкторій об’єктів.Документ Відкритий доступ Прогнозування криптовалют на основі історичних даних та даних соціальних медіа на основі глибокого навчання(КПІ ім. Ігоря Сікорського, 2024) Олійник, Богдан Олександрович; Данилов, Валерій ЯковичМагістерська дисертація: 105 с., 32 рис., 19 табл., 19 посилань. Об’єктом дослідження є криптовалютна біржа з 2014 по кінець 2023 року, саме ціна на біткоїн за цей період. Також досліджуються твіти з Твіттеру за період з 2018 по кінець 2023 року. Предметом дослідження є прогнозування ціни на біткоїн за допомогою штучного інтелекту. При цьому цей процес буде складатися з аналізу тональності новин, історичної ціни та об’єму біткоїну. Мета роботи – дослідити існуючі підходи для прогнозування фінансових ринків, семантичного аналізу новин. Вибрати найкращі підходи та створити на їх базі власну систему з комплексним підходом для прогнозування криптовалюти. Виконано дослідження існуючих підходів для прогнозування часових рядів, з них найкращим стала рекурентна нейронна мережа – LSTM. Досліджені підходи в сфері NLP для аналізу тональності новин. В результаті виконання роботи розроблена система для прогнозування ціни біткоїну. Система складається з трьох підсистем: підсистема збору даних, семантичного аналізу твітів, прогнозування ціни на біткоїн. Результати роботи прийнято до опублікування у періодичному виданні, яке індексуєтсья у наукометричній базі Scopus.Документ Відкритий доступ Розпізнавання номерів автомобілів методами глибокого навчання(КПІ ім. Ігоря Сікорського, 2024) Дєрюгін, Єгор Олександрович; Данилов, Валерій ЯковичМагістерська робота містить: 104 с., 7 табл., 33 рис., 4 додатки і 19 посилань. Об'єктом дослідження є методи глибокого навчання та дані, які використовуються в процесі навчання. Це включає дослідження архітектур нейронних мереж, спеціалізованих на обробці зображень та відео, з метою розпізнавання номерних знаків на автомобілях. Особлива увага приділяється аналізу даних, які використовуються для навчання цих систем, зокрема зображень і відеозаписів різної якості та складності. Предметом дослідження є вдосконалення алгоритмів машинного зору та обробки зображень за допомогою згорткових нейронних мереж (CNN), з акцентом на підвищення точності та швидкості обробки зображень номерних знаків. Новизна роботи полягає не стільки у відстеженні об'єктів у реальному часі, скільки у здатності системи розпізнавати номерні знаки на відео будь-якої складності. Використання останньої версії архітектури YOLO (v8) у поєднанні з алгоритмами DeepSORT та EasyOCR дозволяє ефективно обробляти відео матеріали з різними рівнями освітлення, руху та якості зображення, забезпечуючи високу точність розпізнавання. Актуальність роботи визначається постійно зростаючими вимогами до систем автоматизованого контролю та безпеки дорожнього руху. Розвиток ефективних та надійних методів розпізнавання номерних знаків відіграє ключову роль у підвищенні безпеки на дорогах, оптимізації дорожнього руху та автоматизації процесів паркування. Застосування сучасних алгоритмів глибокого навчання, таких як YOLO v8, DeepSORT та EasyOCR, відкриває нові можливості для ефективного вирішення цих завдань. Ключові слова: машинне навчання, згорткові нейронні мережі, обробка зображень, розпізнавання номерних знаків, YOLO v8, DeepSORT, EasyOCR, аналіз відео, автоматичне розпізнавання номерів.Документ Відкритий доступ Система прогнозування фінансових фрактальних ринків з використанням генеративно-змагальних нейронних мереж(КПІ ім. Ігоря Сікорського, 2024) Ярошенко, Олександр Романович; Данилов, Валерій ЯковичДипломна робота: 131 с., 30 рис., 29 табл., 26 посилань, додаток. Мета роботи – розробити систему прогнозування руху цін на криптовалютному ринку, з використанням генеративно-змагальних мереж та фрактальної розмірності, для подальшого застосування в роботі фінансових компаній. Об’єкт дослідження – дані руху ціни криптовалютної пари BTC/USD та дані руху ціни індекса Доу-Джонса. Предмет досліджень – методи прогнозування поведінки сучасних фрактальних фінансових ринків. Новизна дослідження полягає в виявленні фрактальних властивостей даних сучасних фінансових ринків, розробка архітектур генеративно-змагальних нейронних мереж глибокого навчання TimeGAN з врахуванням регуляризаторів, що містять фрактальну розмірність. У цій роботі запропоновано СППР для прогнозування динаміки цін криптовалютної пари BTC/USD з врахуванням фрактальної структури фінансових ринків та їх фрактальних розмірностей. За результатами роботи видано дві публікації в збірниках закордонних науково-практичних конференцій.