Факультет прикладної математики (ФПМ)
Постійне посилання на фонд
Переглянути
Перегляд Факультет прикладної математики (ФПМ) за Ключові слова "004.04"
Зараз показуємо 1 - 3 з 3
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Метод прискорення статистичного моделювання мов програмування на основі використання фреймворку TensorFlow(2018-12) Гнідий, Дмитро Олександрович; Марченко, Олександр ІвановичАктуальність теми. Останнім часом використання нейронних мереж у розробці статистичних моделей мов програмування стало дуже популярним. За допомогою нейронних мереж досягаються кращі результати, ніж з класичними методами як в окремих моделях мов, так і в тому випадку, коли моделі входять у більші моделі у складних завданнях, таких як розпізнавання мовлення, машинний переклад чи генерація програм з намірів користувача. Ключовою причиною якісного підвищення продуктивності може бути здатність методу узагальнювати. Тому дослідження методу прискорення статистичного моделювання мов програмування з використанням фреймворку TensorFlow є актуальною задачею у наш час. Об’єктом дослідження є процес прискорення статистичного моделювання мов програмування при використанні рекурентної нейронної мережі. Предметом дослідження є методи прискорення статистичного моделювання мов програмування для гетерогенних паралельних архітектур. Мета роботи: прискорення статистичного моделювання мов програмування на основі використання фреймворку TensorFlow та обчислень на гетерогенних паралельних архітектур на базі рекурентної нейронної мережі, а також розробка програмної реалізації запропонованого методу. Наукова новизна: 1. Проаналізовано існуючі методи та системи статистичного моделювання мов програмування і показано, що ці методи та системи мають недоліки у їх використанні за різними показниками: низька швидкість роботи та обмеженість варіантів використання. 2. Запропоновано метод прискорення статистичного моделювання мов програмування, який відрізняється від існуючих використанням фреймворку TensorFlow та виконанням обчислень на гетерогенних паралельних архітектур на базі рекурентної нейронної мережі, а саме на платах TPU, що дозволило збільшити швидкість роботи системи в 2,5 рази і зменшити витрати на користування системою на 20% у порівняння з використанням GPU. Практична цінність отриманих в роботі результатів полягає в тому, що запропонований метод та його програмна реалізація дають змогу більш швидше та продуктивніше проводити навчання нейронної мережі та отримувати більш якісну мовну модель з більш складною зв’язністю між окремими словами та реченнями у вхідному тексті, що дозволяє більш точно розпізнавати мови програмування та виокремлювати зміст написаного та генерувати вихідну програму з намірів користувача. Апробація роботи. Метод прискорення статичного моделювання мов програмування на основі використання фреймворку TensorFlow представлений та обговорювався на ХI науковій конференції молодих вчених “Прикладна математика та комп’ютинг” ПМК-2018-2 (Київ, 15-17 листопада 2018 р.). Адаптований механізм уваги рекурентної нейромережі для використання у фреймворку TensorFlow представлений та обговорювався на міжнародній мультидисциплінарній конференції «Наука і техніка сьогодення: пріоритетні напрямки розвитку України та Польщі» (м. Воломін, Польща, 19-20 жовтня 2018 р.). Структура та обсяг роботи. Магістерська дисертація складається з вступу, чотирьох розділів та висновків. У вступі подано загальну характеристику роботи, зроблено оцінку сучасного стану проблеми, обґрунтовано актуальність напрямку досліджень, сформульовано мету і задачі досліджень, показано наукову новизну отриманих результатів і практичну цінність роботи. У першому розділі розглянуто існуючі методи статистичного моделювання мов програмування, їхні особливості, недоліки та переваги, розглянуто різні реалізації. У другому розділі запропоновано метод прискорення статистичного моделювання мов програмування на основі використання фреймворку TensorFlow. У третьому розділі наведено особливості реалізації розробленої системи. У четвертому розділі представлено підходи до тестування системи в цілому та окремих модулів. У висновках представлені результати проведеної роботи. Робота представлена на 80 аркушах, містить посилання на список використаних літературних джерел.Документ Відкритий доступ Способи автоматизованого тестування програм з використанням глибоких нейронних мереж(КПІ ім. Ігоря Сікорського, 2023) Юрченко, Валентин Володимирович; Терейковський, Ігор АнатолійовичАктуальність теми. Моделі машинного навчання (Machine Learning, ML) відіграють важливу роль в різних застосуваннях. Зокрема, в останні роки глибокі нейронні мережі (Deep neural networks, DNN) використовуються в різних галузях науки та техніки. З огляду на таке зростання використання, можливі помилки у моделях DNN можуть викликати серйозні стурбовання з приводу їхньої надійності та спричинити значні втрати. Тому виявлення помилкової поведінки в будь-якій системі машинного навчання, особливо в DNN, є критичним. Тестування програмного забезпечення - широко використовуваний механізм для виявлення помилок. Однак, оскільки точний вихід більшості моделей DNN не відомий для заданих вхідних даних, традиційні техніки тестування програмного забезпечення не можуть бути безпосередньо застосовані. Останніми роками було запропоновано кілька методів тестування та критеріїв адекватності для тестування DNN. У даній дисертації досліджується три типи методів тестування DNN з використанням текстових та зображень вхідних даних. Об’єктом дослідження є автоматизація тестування програм з використанням глибоких нейронних мереж.. Предметом дослідження є способи автоматизованого тестування програм з використанням глибоких нейронних мереж. Мета роботи: розробка ефективних методів тестування програм з використанням глибоких нейронних мереж Наукова новизна: Запропоновано методи тестування та критерії оцінювання їх ефективності для програм з використанням глибоких нейронних мереж, що за рахунок часткового об’єднання різних методологій в запропоновану одну, дозволяє підвищити точність тестування та оптимізувати сам процес тестування. Практична цінність: Автоматизоване тестування програм з використанням глибоких нейронних- мереж значно полегшує тестування таких складних програм та значно покращує якість тестування, оскільки при такому підході виключається людський фактор і можливість попадання будь-яких вразливостей системи до кінцевого користувача. Апробація роботи. Основні положення і результати роботи були представлені та обговорювались на XV науковій конференції магістрантів та аспірантів «Прикладна математика та комп’ютинг» ПМК-2022 та на міжнародній науково-практичній конференції «Наука, освіта, технології і суспільство в XXI столітті: наукові ідеї та механіхми реалізації». Структура та обсяг роботи. Магістерська дисертація складається з вступу, чотирьох розділів та висновків. У вступі подано загальну характеристику роботи, зроблено оцінку сучасного стану проблеми, обґрунтовано актуальність напрямку досліджень, сформульовано мету і задачі досліджень, показано наукову новизну отриманих результатів і практичну цінність роботи, наведено відомості результатів і їхнє впровадження. У першому розділі було викладено загальну теорію по глибоким нейронним мережам. Детально розглянуто архітектуру нейронних мереж та їхні ключові складові. Розглянуто способи тестування таких нейронних мереж. У другому розділі було розглянуто декілька методів тестування глибоких нейронних мереж, визначено їхні переваги та недоліки. У третьому розділі було проведено три експерименти з різними методами тестування глибоких нейронних мереж. У четвертому розділі наведено інформацію про нову запропоновану методологію, яка в собі поєднує кращі якості з попередньо розглянутих інсуючих методологій. У висновках представлені результати проведеної роботи. Робота представлена на 90 аркушах, містить посилання на список використаних літературних джерел.Документ Відкритий доступ Способи і засоби аналізу, фільтрації і структурування даних у сфері банківських послуг(КПІ ім. Ігоря Сікорського, 2022-12) Государська, Анастасія Олексіївна; Романкевич, Віталій ОлексійовичАктуальність теми. В сучасному світі, схильному до автоматизації, кількість різного роду програмних продуктів неможливо порахувати. Кожного дня на ринку програмного забезпечення з’являється величезна кількість додатків, а їх актуальність росте в геометричній прогресії. Виходячи з такої ситуації ринку програмного забезпечення, можна зауважити, що розробка програмного забезпечення — актуальна і необхідна тематика. Об’єктом дослідження є створення програмної реалізації системи підтримки електронних платежів через мережу Інтернет. Предметом дослідження є методи і засоби створення програмних продуктів. Мета. Запропонувати спосіб аналізу, фільтрації і структурування даних у сфері банківських послуг, розробити відповідне програмне забезпечення та провести ряд тестів. Для виконання поставленої мети слід виконати наступні завдання: ● провести аналіз предметної області; ● провести аналіз існуючих рішень; ● провести аналіз інструментарію; ● провести проектування системи; ● розробити інформаційну структуру; ● розробити діаграму класів. Наукова новизна роботи полягають в удосконаленні теоретико-практичних підходів до фільтрації і структурування даних у сфері банківських послуг та створення власної реалізації системи підтримки платежів. Практична цінність роботи міститься в можливості використання її результатів при розробці та вивченні системи підтримки електронних платежів через мережу Інтернет. Наявність такого забезпечення значно полегшить роботу банківської системи. Апробація роботи. Основні положення і результати роботи обговорювались на науковій конференції магістрантів і аспірантів «Прикладна математика і комп’ютинг» ПМК-2022 (Київ, 2022 р.) Структура і обсяг роботи. Магістерська дисертація складається зі вступу, трьох розділів та висновків. У вступі подано узагальнену характеристику роботи, описано проблематику. У першому розділі розглянуто існуючі рішення сформульованої вище проблеми, визначено їх переваги та недоліки, розглянуто поняття Інформаційна система. У другому розділі надано детальну характеристику задачі та наведено власне рішення проблеми. В рамках цього розділу розроблено структуру програми та діаграми. У третьому розділі описано програмне забезпечення, що використовувалось для вирішення задачі, та наведено пояснення того, чому саме такий набір технологій є оптимальним. У висновках представлені результати виконаної роботи. Робота представлена на 90 аркушах, містить посилання на список використанних джерел.