Кафедра математичних методів системного аналізу (ММСА)

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/702

Переглянути

Перегляд Кафедра математичних методів системного аналізу (ММСА) за Ключові слова "004.048:520.88"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    ДокументВідкритий доступ
    Застосування методів машинного навчання для визначення та класифікації астрономічних подій
    (КПІ ім. Ігоря Сікорського, 2021-05) Стець, Сергій Юрійович; Пишнограєв, Іван Олександрович
    Магістерська дисертація: 86 с., 26 рис., 15 табл., 27 бібл. найм. Об’єктом дослідження є зображення гравітаційних хвиль з обсерваторії LIGO. Предметом дослідження є методи класифікації та розпізнавання зображень методами машинного навчання. Мета роботи – проаналізувати зображення гравітаційних хвиль з обсерваторії LIGO, дослідження вже створених підходів для класифікації і розпізнання та розробка програмного забезпечення. Виконано аналіз методів автоматичної класифікації та розпізнання. Було розроблено модель нейронної мережі для класифікації та розпізнання гравітаційних хвиль. В результаті роботи було розроблено програмний продукт, який дозволяє класифікувати та розпізнавати гравітаційні хвилі.
  • Ескіз
    ДокументВідкритий доступ
    Система прогнозування курсів криптовалют на основі методів рекурентних нейронних мереж
    (КПІ ім. Ігоря Сікорського, 2021) Малік, Тимур Імтіазович; Недашківська, Надія Іванівна
    Магістерська дисертація містить: 118с., 22 табл., 44 рисунки , 1 дод. та 44 джерела. Об’єктом дослідження є вибірка цін криптовалюти «Litecoin» за кожен день з 2017 по 2021 рік. Предметом дослідження є методи інтелектуального аналізу даних на основі рекурентних нейронних мереж та метод МГУА. Програмною мовою була обрана Python. Побудовано моделі прогнозування вартості криптовалюти «Litecoin» на основі останніх модифікацій рекурентних нейронних мереж LSTM та GRU, таких як двонаправлені (bidirectional) LSTM та GRU, розширені (extended) LSTM, залежні (dependent) Bi-RNN, вказаних моделей з додаванням механізму уваги (attention-based mechanism), методів машинного навчання, а також методу групового врахування аргументів (МГУА). Розроблено програмний продукт для прогнозування вартості криптовалют. Виконано навчання моделей рекурентних нейронних мереж. Проведено експерименти щодо підбору параметрів цих моделей. Використовуючи множину критеріїв, отримано оцінки якості побудованих моделей та отриманих прогнозів. Порівняно результати, отримані МГУА та моделями рекурентних нейронних мереж. При виконанні роботи було встановлено два методи, що дають найкращі результати які достатньо близькі до реальних. Напрямок розвитку роботи є в розширенні функціоналу, зменшенні похибки прогнозування ціни та часу навчання моделі.