Магістерські роботи (АСОІУ)

Постійне посилання зібрання

https://ela.kpi.ua/handle/123456789/21930

Переглянути

Перегляд Магістерські роботи (АСОІУ) за Ключові слова "004.023"

Зараз показуємо 1 - 5 з 5
  • Ескіз
    ДокументВідкритий доступ
    Алгоритмічне забезпечення для розмітки надвеликих об’ємів даних для задачі детекції об’єктів методами комп’ютерного зору
    (КПІ ім. Ігоря Сікорського, 2021-05) Зарічковий, Олександр Анатолійович;  Муха, Ірина Павлівна
    Магістерська дисертація: 119 с., 33 рис., 6 табл., 2 додатки, 91 джерело. Актуальність теми.Штучний інтелект все більше проникає у життя пересічних людей, автоматизуючи такі звичнісфери життя, як керування автомобілем, покупки в магазинах, діагностику захворювань та багато іншого. Для пришвидшення адаптації алгоритмів штучного інтелекту в програмне забезпечення були створені програмні платформи штучного інтелекту, такі як Microsoft Azure AI Platform, Amazon AWS SageMaker, Google Cloud AI Platform, IBM Watson, які спрощують процес створення та використання алгоритмів штучного інтелекту при вирішенні різноманітних прикладних задач. Головним недоліком даних платформ являється те, що вони концентруються лише на процесі створення та використання алгоритмів штучного інтелекту, хоча дослідження в даній сфері показують, що 80% часу на таких проектах витрачається на роботу з даними, зокрема на їх розмітку. В існуючих платформах підтримки задач штучного інтелекту автоматизація процесу розмітки даних або відсутня, або наявна лише для типових задач, що призводить до неефективного (повільного) процесу розмітки даних, а отже збільшує вартість розробки програмного забезпечення з використанням алгоритмів штучного інтелекту. Саме тому актуальною є задача розробки програмного забезпечення розмітки даних, що дозволить пришвидшити розмітку надвеликих об’ємів даних. Мета досліджень.Підвищити ефективність, зокрема швидкодію, розмітки даних для задач детекції об’єктів шляхом авторозмітки даних за допомогою методів комп’ютерного зору, які виконують чорнову розмітку даних, на якій людині потрібно лише виправити помилки, допущені алгоритмом в процесі авторозмітки. Щоб досягнути поставленої мети необхідно організувати процес постійного донавчання алгоритму детекції об’єктів на нових даних та вірний порядок розмітки зображень, що дозволить пришвидшити розмітку усьогонаявного набору даних. Для реалізації поставленої мети були сформовані наступні завдання: -дослідити наявні підходи до автоматизації розмітки даних в програмних платформах для вирішення задач штучного інтелекту; -дослідити наявні підходи донавчання алгоритмів машинного навчання; - удосконалити процес авторозмітки даних для задач детекції об’єктів з метою пришвидшення розмітки надвеликих наборів даних; -розробити програмне забезпеченняавторозмітки даних для задач детекції об’єктів; -виконати експериментальне дослідження характеристик розробленого програмного забезпечення. Об’єкт досліджень. Процес авторозмітки даних для задач комп’ютерного зору, зокрема задач детекції об’єктів. Предмет досліджень.Підходи до авторозмітки данихдля задач детекції об’єктів. Методи досліджень. Емпіричні дослідження. Наукова новизна. Запропоновано механізм пріоритезації процесу розмітки даних як удосконалення механізму само-діагностики моделей детекції об’єктів, який встановлює порядок розмітки даних шляхом першочергового відборудля навчання алгоритму детекції об’єктів найскладніших зображень, вибір яких здійснюється на основі агрегатів ознак, згенерованих глибокою згортковою нейромережею для оцінки складності зображень, що пришвидшує процес навчання в порівнянні з використанням випадкових зображень з того ж набору даних. Удосконалено алгоритм авторозмітки надвеликих об’ємів даних длязадач детекції об'єктів за рахунок використання запропонованого механізму пріоритезації послідовності розмітки даних та адаптації підходів постійного донавчання алгоритмів детекції, що дозволяє збільшити швидкість розмітки даних та використати даний алгоритм для реалізації розміткинадвеликих даних для задач детекції як типових, так і нетипових об’єктів. Практичне значення. Розроблено програмне забезпечення авторозмітки даних в рамках програмної платформи підтримки вирішення задач штучного інтелекту для задач детекції об’єктів, що вирізняється від існуючих аналогів підвищеною швидкістю процесу розмітки на надвеликих об’ємах. Апробація. Основні положення роботи доповідались і обговорювались на IV Міжнародній конференція з комп’ютерних наук, інжинірингу та освітніх технологій (ICCSEEA 2021), а також на VІ Всеукраїнській науково-практичній конференції молодих вчених та студентів «Інформаційні системи та технологіїуправління» (ІСТУ-2021).
  • Ескіз
    ДокументВідкритий доступ
    Математичне та програмне забезпечення обробки ЕКГ сигналів
    (КПІ ім. Ігоря Сікорського, 2021-05) Реутська, Світлана Віталіївна; Ліщук, Катерина Ігорівна
    Магістерська дисертація: 102 с., 39 рис., 13 табл., 3 додатки, 18 джерел Актуальність теми.За статистичними даними основною причиною смертності серед людей працездатного віку є серцево-судинні захворювання.Люди, що входять в групу ризику, потребують допомоги шляхом надання послуг раннього виявлення. Для діагностики сердечно-судинних захворювань широко застосовується електрокардіографічний метод.Часто патологічні зміни в серці дуже швидко відображаються в інформаційному потоці. Зараз програмне забезпечення має піднімати тривогу, якщо пацієнт перебуває в ризикованому становищі. Проте на даний момент воно часто генерує помилкові тривоги в більше ніж 80% випадків. Якість відповіді такого аналізу можна вважати випадковою. Саме тому вирішення задачі пошуку вдалого алгоритму для обробки ЕКГ сигналу та його аналізу є дуже актуальним. Зв’язок роботи з науковимипрограмами, планами, темами. Робота виконувалась на кафедріавтоматизованих систем обробкиінформаціїіуправління в рамках теми «Інтелектуальніметодипрограмування, моделювання іпрогнозування з використаннямймовірністного і лінгвістичнихпідходів» (державнийреєстраційний номер 0117U000926) Мета і завдання дослідження.Основна метароботи полягає в розробці математичного забезпечення для аналізу ЕКГ сигналів та підбору найкращого алгоритму машинного навчання для класифікації цих даних, інтеграції розробленого алгоритму в відповідне програмне забезпечення,що дасть можливість підвищити точність та універсальністьалгоритмів розпізнавання хвороб у пацієнта по ЕКГ. Щоб досягнути поставленої мети необхідно забезпечити повний опис усіх ознак часового рядуза допомогою параметрів, а такожнаблизити алгоритм роботипрограми до алгоритму роботи мозку людини під час аналізу. Для досягнення поставленої мети необхідно розв’язати комплекс наступнихвзаємопов’язанихзадач: дослідити та порівняти наявні алгоритми аналізу тарозділення часових рядівЕКГна набір параметрів; дослідити та порівняти наявні підходи до класифікаціїчасових рядівЕКГна випадок хвороб; створити власні алгоритми розділення, аналізу та класифікаціїчасових рядівЕКГ, що будуть працювати з прийнятною точністю та охоплювати різні випадки аномалій в синусоїді; реалізувати запропоновані алгоритми у вигляді незалежних бібліотек; розробка програмного забезпечення для розпізнавання хвороб у пацієнта по ЕКГ; дослідити розроблені алгоритми на ефективність роботи. Об’єкт досліджень. Процес аналізу ЕКГ, розбиття часових рядівна ознаки та їхкласифікації за цими ознаками. Предмет досліджень.Алгоритми та методи аналізу та класифікаціїчасових рядівЕКГ на основі машинного навчання. Наукова новизнаотриманих результатів полягає в створенні нового методу аналізу та класифікаціїчасових рядівсинусоїдального типу на прикладі ЕКГ даних із застосуванням штучного інтелекту, що має кращу ефективність. Практичне значення отриманих результатів полягає застосуванні розробленого методув застосунку для аналізу ЕКГ даних. Апробація результатів роботи. Результати роботи доповідались на «VIвсеукраїнській науково-практичній конференції молодих вчених та студентів «Інформаційні системи та технологій управління» (ІСТУ-2021), ConferenceonComputationallinguisticsandintelligentsystems(CoLInS 2021). Публікації.Матеріали роботи опубліковані: взбірнику тез конференції «MODS 2020»РеутськаС. В., Баклан І.В., Олійник Ю.О., Ліщук К.І. «Підхід до виявлення аномалій в даних екг»; в збірнику тез IIIМіжнародної науково-практичної конференції«Сучасні тенденції розвитку інформаційних систем і телекомунікаційних технологій»РеутськаС. В.«СУЧАСНІ МЕТОДИ ПРОГРАМНОГО ВИДІЛЕННЯ PQRST ІНТЕРВАЛІВ В ЕЛЕКТРОКАРДІОГРАМІ»; в збірнику статей конференції «Computational Linguistics and Intelligent Systems» (CoLins2021)I. Baklan, A. Oliynyk, I. Mukha, K. Lishchuk, O. Gavrilenko, S. Reutska, A. Tsitsyliuk, Y. Oliynyk «ECG signal processing based on linguistic chain fuzzy sets».
  • Ескіз
    ДокументВідкритий доступ
    Програмно-аналітичний комплекс поділу користувачів соціальної мережі на групи за інтересами
    (2018) Булгар, Максим Миколайович; Жаріков, Едуард В'ячеславович
    Магістерська дисертація: 100 с., 15 рис., 34 табл., 1 додаток, 31 джерел. Актуальність. Сьогодні Інтернет є основним джерелом отримання або поширення інформації. Більшість людей використовує Інтернет для того, щоб проводити час у соціальних мережах. Кожна людина може спробувати себе у ролі репортера, і поділитись важливими новинами, або поширити свою думку серед певної аудиторії і знайти однодумців/послідовників. На початок 2018 року його аудиторія становила 336 мільйонів людей [1]. Користувачі спілкуються короткими повідомленнями (до 280 символів) які називаються твітами. Це дуже зручно, так як можна отримувати дуже великий об’єм інформації, витрачаючи на це не дуже велику кількість часу. Саме тому є можливою розробка системи, яка зможе групувати користувачів схожих за інтересами беручи за основу текстову складову їх поведінки у соціальній мережі Twitter. Зв'язок роботи з науковими програмами, планами, темами. Робота виконувалась на кафедрі автоматизованих систем обробки інформації та управління Національного технічного університету України «Київський політехнічний інститут ім. Ігоря Сікорського» в рамках теми «Методи та технології високопродуктивних обчислень та обробки надвеликих масивів даних». Державний реєстраційний номер 0117U000924. Мета дослідження – підвищення якості поділу користувачів соціальної мережі на групи за рахунок аналізу текстової складової їх поведінки. Для досягнення мети необхідно виконати наступні завдання: ‒ проаналізувати дані, які можна отримати про користувача в соціальній мережі Twitter; ‒ обрати критерії за якими порівнюються користувачі; ‒ проаналізувати методи та засоби кластеризації великих даних; ‒ дослідити способи аналізу поведінки користувача за текстовою складовою; 4 ‒ реалізувати програмно аналітичний комплекс поділу користувачів соціальної мережі на групи за інтересами. Об’єкт дослідження – процес поділу користувачів на групи, в залежності від схожості їх інтересів. Предмет дослідження – методи кластеризацій користувачів соціальної мережі на основі їх текстової складової поведінки. Наукова новизна отриманих результатів полягає в аналізі існуючих методів кластеризації. Також було проаналізовано способи аналізу текстової складової, так як одним із критеріїв порівняння схожості було взято тематика блогінгу. Публікації. Булгар М.М. Кластеризація користувачів за їх інтересами / М.М. Булгар // МОДС. 2018. С. 28-29. Булгар М.М. Спосіб кластеризації користувачів соціальної мережі Twitter / М.М. Булгар // ІСТУ. 2018. С. 28-32.
  • Ескіз
    ДокументВідкритий доступ
    Рекомендаційна інформаційна система на основі вподобань користувачів
    (2018) Когулько, Олександр Сергійович; Попенко, Володимир Дмитрович
    Магістерська дисертація: 94 с., 19 рис., 27 табл., 1 додаток , 36 джерел. Актуальність. Сьогодні, одним з найбільш цінних ресурсів людства – є інформація. Вона займає одну з центральних ролей у процесі формування сучасного суспільства. З виникненням Інтернету – основним сховищем інформації стала саме Всесвітня Мережа. Але з часом, її об’єми почали зростати значно швидше, ніж обчислювальні можливості, для обробки даних. Кількість інформації в Інтернеті настільки велика, що людина просто не здатна знайти те, що їй дійсно потрібно. У зв’язку з цим актуальною є розробка спеціальної системи, яка буде сама пропонувати користувачу деякі елементи, яка вона буде вважати доцільними. Така система буде формувати свої рекомендації на основі поведінки користувачів в минулому та їх вподобань. Це дозволить користувачам зекономити великий об’єм часу для пошуку необхідного контенту. Зв'язок роботи з науковими програмами, планами, темами. Робота виконувалась на кафедрі автоматизованих систем обробки інформації та управління Національного технічного університету України «Київський політехнічний інститут ім. Ігоря Сікорського» в рамках теми «Ефективні методи колаборативної фільтрації, засновані на аналізі поведінки користувачів, відображеної в "big data"» Мета дослідження – підвищення ефективності роботи рекомендаційної системи. Для досягнення мети необхідно виконати наступні завдання: - виконати огляд існуючих методів та алгоритмів роботи рекомендаційних систем; - здійснити порівняльний аналіз різних методів та алгоритмів роботи рекомендаційних систем; - формалізувати задачу формування рекомендацій на основі гібридного підходу; - розробити ефективну модель формування рекомендацій на основі гібридного підходу; 4 - розробити прототип рекомендаційної системи книг, використовуючи вищезазначені підходи; - виконати аналіз отриманих результатів. Об’єкт дослідження – процес формування особистих рекомендацій на основі вподобань користувачів. Предмет дослідження – методи та моделі формування особистих рекомендацій. Методи дослідження, застосовані у даній роботі, базуються на методах інформаційного пошуку. Наукова новизна одержаних результатів полягає у застосуванні гібридного підходу до фільтрації даних для формування особистих рекомендацій. Розроблено підхід, який поєднує в собі фільтрацію даних, на основі вмісту з колаборативною та демографічною фільтрацію. Публікації. Матеріали роботи опубліковані в тезах міжнародної науково- практичній конференції «Математичне та імітаційне моделювання систем МОДС 2018» а також у рамках Всеукраїнська науково-практична конференція молодих вчених та студентів «Інформаційні системи та технології управління» (ІСТУ-2018)
  • Ескіз
    ДокументВідкритий доступ
    Інформаційна система пошуку та відбору персоналу з використанням нейронних мереж
    (2018) Талько, Юрій Сергійович; Стеценко, Інна Вячеславівна
    Магістерська дисертація: 107 с., 19 рис., 33 табл., 7 додатків, 13 джерел. Актуальність. Для будь якої сучасної компанії для виконання своєї прямої задачі важливим є те хто ці задачі виконуватиме. При постійному розвитку, збільшенню організації як в кількісних так і в якісних показниках постає питання підбору якісних кадрів на нові робочі місця. Якщо у випадку з невеличкою компанією її засновник чи менеджер з кадрів котрий був в команді з її зародження може досить ефективно опиратися на власні судження і знання справи якою займається, то при рекрутингу людей до великих корпорацій все стає складнішим. Обов’язки підбору персоналу у різні відділи чи навіть офіси вже неможливо осилити декількома людьми які точно знають якого працівника шукати і якими рисами він повинен володіти. Ці обов’язки делегуються іншим людям, а ті делегують іншим і т.д. Це є нормальним процесом росту організації. Але це також і впливає на якість підбору кадрів. Будь то відсутність контролю за рекрутерами, некомпетентність чи банальні людські помилки – з цим усім компанія стикається у процесі росту. Одним з вирішенням такого роду проблем є часткова автоматизація процесу підбору кандидатів і вакансій. Адже окрім звичайної каталогізації шукачів та вакансій, котру надають вже існуючі системи, система може попередньо фільтрувати подані кандидатами резюме чи підбирати їм найвідповіднішу навичкам вакансію. Звісно останнім має рішення людини у цьому процесі але система може суттєво зменшити об’єми роботи які потрібно виконати для його прийняття Зв'язок роботи з науковими програмами, планами, темами. Робота виконувалась на кафедрі автоматизованих систем обробки інформації та управління Національного технічного університету України «Київський політехнічний інститут ім. Ігоря Сікорського» в рамках теми «Інтелектуальні методи програмування, моделювання і прогнозування з використанням ймовірністного і лінгвістичних підходів. Державний реєстраційний номер 0117U000926». 4 Мета дослідження – пришвидшення процесу підбору персоналу в компанії та попередня рекомендація шукачу найкращої вакансії за допомогою використання методів машинного навчання та нейронних мереж. Для досягнення мети необхідно виконати наступні задачі: – отримати правдоподібні поточні дані про тих хто шукає роботу; – отримати правдоподібні дані про тих кого шукають рекрутери. – використати методи машинного навчання для фільтрації та підбору вакансії. – модифікувати метод навчання нейронної мережі з використанням методу дистиляції знань та методу teacher-student. – використати модифікацію методу для імітації навчання мережі від декількох teachers (вчителів). Об’єкт дослідження – процес пошуку та відбору персоналу. Предмет дослідження – методи машинного навчання та нейронні мережу а також способи їх навчання для автоматичного підбору вакансій кандидатам. Наукова новизна отриманих результатів полягає в використанні підходу дистиляції знань і використанні методу навчання нейронної мережі teacher-student їх модифікації у вигляді регуляризатора гаусівського шуму та виборі архітектури нейромережі в контексті практичної задач котра вданому випадку вважається системою пошуку та підбору персоналу. Публікації. Талько Ю.С. Методи стиснення моделей в глибинному навчанні // УСиМ. – 2018. Талько Ю.С. Методи стиснення моделей в глибинному навчанні // ІСТУ. – 2018. – С. 152-156