Магістерські роботи (СП)
Постійне посилання зібрання
Переглянути
Перегляд Магістерські роботи (СП) за Ключові слова "004.457"
Зараз показуємо 1 - 3 з 3
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Мікросервіс парсингу і аналізу текстів, що отримуються з електронної медичної картки(2018) Сутула, Олександр Віталійович; Кисельов, Геннадій ДмитровичЗагальний обсяг роботи: 73 сторінки, 12 ілюстрацій, 19 таблиць, перелік посилань із 20 найменувань. Актуальність теми. Галузь аналізу великих даних, зокрема медичних, стрімко розвивається, і є великий попит на інструменти що дозволяють вилучати точкову інформацію з різного роду форматів даних. Медична інформація характеризується великим об’ємом різнорідних даних та, як і будь яка система обміну даними, певною мірою доповнюється мета інформацію, через збитковості даних часто виникають ситуації коли аналіз уповільнюється в рази, а інколи взагалі стає неможливим. Ці інструменти мають бути швидкими та гнучкими для забезпечення аналізу великих об’ємів даних. На разі, існує доволі мало рішень для парсингу повідомлень HL7 на платформі JVM, найпоширенішій платформі для розробки, а іcнуючі мають дуже низку швидкість парсингу точкової інформації. Мета та задачі дослідження. Метою даної роботи є удосконалення існуючих рішень для парсинга повідомлень медичного стандарту HL7. Задачею дослідження є реалізація парсера повідомлень стандарту HL7, що є більш ефективною для обробки великих масивів даних. Вирішення поставлених завдань та досягнуті результати. Було запропоновано розробку парсера на базі Scala та бібліотеки для побудови синтаксичного аналізатора Parboiled2, що мають достатньо можливостей для покращення роботи уже існуючого інструмента HAPI HL7 Terser для JVM платформи та Akka http для забезпення REST API та можливості впровадження як міні сервісу. Створений парсер було порівняно з HAPI HL7 Terser на наборі даних, що моделює отримання різної інформації з повідомлення. Об’єкт дослідження. Парсери повідомлень медичного стандарту HL7 Предмет дослідження. Граматика та структура медичного стандарту HL7 Методи дослідження. Досліджується структура повідомлення медичного стандарту HL7, його формат, особливості. Аналізуються інструменти, необхідні для створення парсера для таких повідомлень, а саме інструментарій створення синтаксичного аналізатора на основі граматик, інструменти для побудови DSL для запитів інформації. Наукова новизна Рішення що використовує Scala та Parboiled2 для покращення виконання задач парсингу інформаціїз медичного формату HL7. На разі, існує єдиний аналог для JVM, що дозволяє отримати будь-яку інформацію з повідомлення, це – HAPI HL7 Terser. За допомогою рішень, описаних в цій роботі, швидкість парсингу повідомлень збільшилась в середньому у 8 разів. Практичне значення одержаних результатів Розроблене рішення дозволяє отримати різнородну інформацію з повідомлення медичного стандрата HL7 на порядок швидше за існуючі аналоги на платформі JVM.Документ Відкритий доступ Рекомендаційна система для медіа-платформ з використанням методів глибокого навчання(2018) Мазурік, Олексій Юрійович; Кисельов, Геннадій ДмитровичЗагальний обсяг роботи: 103 сторінки, 39 ілюстрацій, 17 таблиць, перелік посилань із 20 найменувань, 1 додаток на 12 сторінках. Актуальність теми. Рекомендаційні системи з’явилися на сучасному ринку ІТ як механізм для заміни статичному списку рекомендацій при пошуку або покупках на веб-сайтах. Ці системи формують рейтинговий перелік об’єктів (товарів, фільмів, музичних композицій) на основі різних критеріїв: релевантність, популярність, історія оцінок тощо. Оскільки інформації у сучасному світі стало багато, тому важливо мати якісні інструменти для персоналізованої фільтрації великих даних, якими і виступають рекомендаційні системи. З великою популяризацією та швидким розвитком машинного навчання штучний інтелект відповідає за ядро будь-якої серйозної персоналізованої системи. Тому зараз побудова рекомендаційної системи з використанням сучасних методів глибокого навчання – побудови моделей на основі багатошарових нейронних мереж – є нагальним питанням. Мета та задачі дослідження. Метою даної роботи є пошук шляхів удосконалення існуючих рішень побудови рекомендаційних систем для медіа платформ із застосуванням нових підходів глибокого навчання. Задачею дослідження є реалізація системи рекомендацій медіаконтенту, яка використовує нові та більш ефективні методи, що мають переваги перед відомими методами без використання нейронних мереж. Вирішення поставлених завдань та досягнуті результати Було запропоновано використати модель SkipGram, що використовує багатошарові нейронні мережі, для пошуку семантичних зв’язків між різними відео. Це застосування є досить нестандартним, оскільки основна область застосування алгоритму Word2Vec є пошук семантичних зв’язків між словами. Таке використання моделі дозволяє побудувати точні векторні представлення відео у 32-вимірному просторі семантичних зв’язків. Також дана модель дозволяє легко побудувати рекомендаційну систему медіа-контенту на основі отриманих даних. Дану модель було випробувано на наборі даних, що містить сесії переглядів користувачами відео синтетичного відео-сервісу. Також було проведено експеримент з побудови рекомендаційної системи з використанням даних моделі. Об’єкт дослідження. Багатошарові нейронні мережі, моделі Word2Vec, SkipGram та CBoW. Предмет дослідження. Методи машинного навчання для побудови word embeddings. Методи дослідження. Досліджуються та застосовуються дво- та тришарові нейронні мережі. Для побудови векторних представлень досліджуються моделі SkipGram та CBoW. Розроблене рішення використовує сучасні моделі машинного навчання та підходи до розробки їх архітектур; методи та техніки навчання, покращення точності та стійкості; а також бібліотеки для їх реалізації та розподіленого тренування. Наукова новизна. Було запропоновано архітектуру моделі SkipGram для пошуку семантичних зв’язків між різними відео. Дану модель Word2Vec ще не було використано в опублікованих роботах для побудови рекомендацій медіа-контенту, оскільки першочерговою задачею Word2Vec є пошук зв’язків між словами. Дана модель показала кращі результати, ніж статичні рекомендації на основі оцінок, оскільки за допомогою неї можна побачити багато прихованих зв’язків між відео. Також було запропоновано методі для покращення результатів роботи моделі з використанням ще кращих методів для побудови моделі Word2Vec, мета-даних відео (назва, ключові слова, оцінки) та самого контенту відео (згорткові нейронні мережі дадуть змогу знайти залежність і тут, але в цьому випадку задачу буде зведено до вирішення нової вже Computer Vision задачі). Практичне значення одержаних результатів. Розроблена модель дозволяє виконувати пошук прихованих зв’язків між різними відео для побудови точної та релевантної рекомендаційної системи, яку можна вбудувати до будь-якої існуючої веб-системи, оскільки реалізація має детально описане API та зручний користувацький інтерфейс (UI) на Redux.Документ Відкритий доступ Сервіс автоматизованого перенесення існуючих рішень для Інтернету речей на Thingspeak(2018) Журавльов, Павло Володимирович; Кирюша, Богдан АнатолійовичЗагальний обсяг роботи: 76 сторінок, 19 ілюстрацій, 17 таблиць, перелік посилань із X найменувань. Актуальність теми. Область використання платформи Thingspeak обмежена необхідністю використання протоколу HTTP для взаємодії з клієнтськими пристроями. В останні роки набувають все більшої популярності альтернативні протоколи, спроектовані для інтернету речей і пристрої на їх базі, чим обумовлена необхідність розширення платформи Thingspeak для додавання підтримки даних протоколів і пристроїв. Мета та задачі дослідження Аналіз підходів до розширення області використання платформи Thingspeak з подальшим забезпеченням можливості використання існуючих рішень, які взаємодіють, використовуючи протокол який не підтримуються розглянутою платформою. Головним завданням є дослідження, що полягає у проектуванні проміжного додатку для забезпечення взаємодії пристроїв, які використовують протокол MQTT з платформою Thingspeak. Вирішення поставлених завдань та досягнуті результати В результаті виконання роботи була реалізована система, що здійснює трансляцію протоколів MQTT та HTTP з проміжною конвертацією даних у формат, що відповідає моделі даних платформи Thingspeak. Дана реалізація також включає можливість встановлення правил, за якими відбувається конвертація. Для керування параметрами конвертації даних було розроблено веб-додаток з графічним інтерфейсом адміністратора. Система проста у розгортанні та може бути використана як доповнення до розгорнутої платформи Thingspeak. Об’єкт дослідження. Інтернет речей. Предмет дослідження. Мережева взаємодія між додатками Інтернету речей. Підходи до створення додатків, які виконують функцію трансляції протоколів прикладного рівня. Методи дослідження. Для вирішення проблеми в даній роботі використовуються методи аналізу, синтезу, системного аналізу, порівняння та логічного узагальнення результатів. Наукова новизна. Наукова новизна роботи полягає у аналізі та реалізації методів, що дозволяють конвертувати не підтримуваний системою Thingspeak протокол MQTT у HTTP. Практичне значення одержаних результатів. Розроблений додаток може бути розгорнутий на кафедральній інфраструктурі. Він включає в собі зручний користувацький інтерфейс для встановлення конфігурацій та може бути використаний для інтеграції існуючих додатків з підтримкую протоколу MQTT та кафедральної платформи Thingspeak.