Бакалаврські роботи (ММАД)

Постійне посилання зібрання

https://ela.kpi.ua/handle/123456789/43449
У зібранні розміщено бакалаврські проекти (роботи) на здобуття ступеня бакалавра.

Переглянути

Перегляд Бакалаврські роботи (ММАД) за Ключові слова "anomaly detection"

Зараз показуємо 1 - 3 з 3
  • Ескіз
    ДокументВідкритий доступ
    Пошук аномалій у часових рядах децентралізованих фінансів за допомогою ЛСТМ нейронних мереж
    (КПІ ім. Ігоря Сікорського, 2023-06-20) Намчук, Олександр Ігорович; Яворський, Олександр Андрійович
    Дипломна робота за обсягом становить 45 сторінок, містить 1 таблицю та 21 рисунок. Для дослідження було використано 15 бібліографічних найменувань. В децентралізованому просторі фінансів (DeFi) зростаюча популярність та використання криптовалют та блокчейн-технологій спричиняють необхідність в ефективних методах аналізу та моніторингу фінансових даних. Особливу увагу приділяється пошуку аномалій у часових рядах, які можуть вказувати на непередбачувані події або шахрайську діяльність. На сьогоднішній день існують різноманітні методи пошуку аномалій, такі як статистичні моделі, методи машинного навчання та алгоритми кластеризації. Однак, враховуючи складність та динаміку фінансових ринків DeFi, необхідні більш потужні та гнучкі методи. В цьому контексті, використання нейронних мереж з довго-короткотривалою пам'яттю (Long Short-Term Memory, LSTM) може бути обіцяючим підходом до пошуку аномалій у часових рядах DeFi. LSTM мережі дозволяють зберігати та використовувати інформацію з попередніх періодів, що робить їх ефективними в аналізі послідовних даних зі змінною структурою та залежностями у часі. Ця робота досліджує можливості та переваги використання LSTM нейронних мереж для пошуку аномалій у часових рядах децентралізованих фінансів та розробці ефективної моделі, яка здатна їх виявляти. Дипломна робота може бути служити основою для розробки комплексних системи моніторингу та знаходження аномалій в часових рядах децентралізованих фінансів. Вона надасть компаніям та інвесторам потужний інструмент для виявлення фінансових можливостей, оптимізації прибутків та прийняття обґрунтованих рішень в реальному часі.
  • Ескіз
    ДокументВідкритий доступ
    Розробка системи виявлення аномалiй в багатовимiрних даних з використанням глибинного навчання
    (КПІ ім. Ігоря Сікорського, 2023) Кириленко, Павло Олександрович; Яворський, Олександр Андрійович
    Квалiфiкацiйна робота мiстить: 57 стор., 24 рисунки, 4 таблиць, 16 джерел. Через значний рiст даних, якi отримуються з датчикiв як за обсягами (кiлькiсь записiв), так i за розмiрнiстю (кiлькiсть ознак) традицiйнi статистичнi методи аналiзу простору станiв або контрольованi iнструменти навчання вже не є ефективними. Тому постає проблема розробки нових методiв. Мета роботи полягає в розробцi системи виявлення аномалiй в багатовимiрних даних з використанням глибинного навчання. Ця система включає предобробку даних, побудову моделей, теоретична та практична оцiнка моделей, порiвняння моделей на рiзних датасетах. У ходi виконання роботи було проведенi експерименти над моделями, якi належать рiзним пiдходам вирiшення цiєї задачi. В цiй роботi розглядаються RNN LSTM медель на основi прогнозування часових рядiв та модель RANCoders на основi реконструкцiї, а також їхнi модифiкацiї SynLSTM, RANSynCoders (що використовують iнформацiю про те, що ряди є асинхронними). В цiй роботi було доведена ефективнiсть запропонованих моделей для застосування в серверних системах. Що може свiдчити про те, що моделi глибинного навчання є спроможними розв’язувати такi задачi на високому рiвнi.
  • Ескіз
    ДокументВідкритий доступ
    Створення торговельних стратегiй з урахуванням iнформацiї про аномалiї у просторi DeFi
    (КПІ ім. Ігоря Сікорського, 2023) Шевцова, Марiя Сергiївна; Яворський, Олександр Андрійович
    Квалiфiкацiйна робота мiстить: 48 стор., 14 рисункiв, 3 таблицi, 18 джерела. Простiр DeFi швидко розвивається i стає все бiльш популярним серед криптовалютних та фiнансових учасникiв. Забезпеченням торговельних стратегiй, якi враховують особливостi DeFi, ми можемо ефективно використовувати цей новий фiнансовий простiр для отримання вигоди та забезпечення успiшних торгiв. Врахування аномалiй у торговельних стратегiях у просторi DeFi допомагає зменшити ризики та зберегти капiтал. Завдяки аналiзу аномалiй можна iдентифiкувати потенцiйно небезпечнi ситуацiї, забезпечити захист вiд великих змiн цiн та мiнiмiзувати втрати. Це особливо важливо в сферi DeFi, де ризики можуть бути значними через високу волатильнiсть та недостатню регуляцiю. Темою даної роботи є створення торговельних стратегiй з урахуванням iнформацiї про аномалiй у просторi DeFi. Одним з пiдходiв є використання моделi прогнозування пiд назвою "Профет"(Prophet), а також трейдiнгової моделi на основi iнформацiї про аномалiї, волатильнiсть, показник Шарпа та цiни закриття для прийняття рiшення щодо купiвлi та продажу активiв. Використання такої моделi дозволяє нам пiдходити до торгiвлi в просторi DeFi з бiльшою точнiстю за рахунок врахування аномалiй. Основний внесок цiєї дипломної роботи полягає у розробцi та застосуваннi торговельних стратегiй, якi враховують iнформацiю про аномалiї у просторi DeFi. Це допомагає трейдерам зменшити ризики та збiльшити прибутковiсть своїх угод.