Кафедра системного проектування (СП)
Постійне посилання на фонд
Переглянути
Перегляд Кафедра системного проектування (СП) за Ключові слова "004.453"
Зараз показуємо 1 - 8 з 8
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ CRM як сервіс(2018) Остапчук, Ян Михайлович; Петренко, Анатолій ІвановичРобота виконана на 87 сторінках, містить 33 ілюстрацій, 23 таблиць. При підготовці використовувалась література з 20 джерел. Актуальність теми. В наш час кокуренція на ринку досить висока та при ситуації взаємодії з клієнтами кожна компанія замислюється про впровадження CRM систем, а саме використання хмарних CRM, які доступні не тільки великим компаніям та й малим підприємцям. Теперешні хмарні CRM рішення займають вже третину ринку та ростуть з великою швидкістю та до кінця 2020 року, хмарні рішення будуть займати половину ринку. Перенесення CRM у хмари дозволяє зробити систему досить мобільною та ефективною. Особливість хмарного забезпечення в тому, що він з'являється, як альтернатива корпоративного ПО в середовищі працівників компанії, а не насаджується «зверху» як раніше. Особливий інтерес представляє дослідження нових іноваційних технологій , які застосовуються у діячих CRM рішенях. Мета та задачі дослідження. Метою даної роботи є аналіз діючих CRM рішень у хмарі,які дозволяють підвищити рівень маркетингу, продажів, комерції, обслуговування клієнтів і соціальної взаємодії між співробітниками компаній і клієнтами. Рішення поставлених завдань та досягнуті результати У даній роботі було представлено прототип CRM системи для показу можливостей, які надаються хмарним провайдером, реалізація базових сервісів та їх впровадження. Розглянуто методи збереження даних у хмарі та показано практичні приклади роботи з ними.Були застосовані та протестовані сервісі, які надаються FiWare завдяки, яким стало можливом перехід від монолітної архітектури до мікросервісної. Було протестовано робочий стенд, та сервісі, які взаємодіють з ними та розгорнуто його у хмарі на декількох віртуальних машинах із застосування Load Balancer. Об’єкт досліджень. CRM система як сервіс. Предмет досліджень. Розляд сучасних CRM рішень зокрема їх окремих сервісів та можливостей у цілому Методи досліджень. Для вирішення проблеми в даній роботі використовуються нові методи збереження даних та їх реалізація,методи аналізу і синтезу. Наукова новизна. Наукова новизна роботи полягає у розгляди сучасних CRM рішень, аналіз іх сервісів та іннваційних технологій, які вони застосовують для вирішення задачі підвищення рівнів маркетенгу та продажів, а також аналіз впровадження нових інноваційних рішень в галузі CRM на базі сучасних технологій. Практичне значення одержаних результатів. Отримані результати можуть використовуватись торговими компаніями за напрямком покращення діючих CRM систем та впровадження в них кращих технологій збереження даних та взаємодії з ними.Документ Відкритий доступ Багаторівневе навчання для класифікації об’єктів на множинах надвеликих масивів даних(2018) Акимов, Вадим Сергійович; Рогоза, Валерій СтаніславовичРобота виконана на 79 сторінках, містить 13 ілюстрацій, 23 таблиць. При підготовці використовувалась література з 21 джерел. Актуальність теми. Захворювання шкіри сьогодні належать до розповсюджених медичних проблем. Кількість таких захворювань постійно зростає, незважаючи на розвиток медичної галузі. Рак шкіри є поширеним злоякісним новоутворенням і займає друге рангове місце у структурі онкологічної захворюваності населення України. Такі хвороби діагностуються візуально, починаючи з клінічних обстежень, що можуть супроводжуватись дерматоскопічним аналізом, біопсією та гістопатологічною експертизою. Особливий інтерес представляє автоматизована класифікація захворювань шкіри (як доброякісних, так і злоякісних) на базі зображення ураженої ділянки тіла. Глибокі згорткові нейронні мережі (Convolutional Neural Networks, CNN) показують потенціал для аналізу категорії дрібнозернистих зображень. Мета та задачі дослідження. Метою даної роботи є розробка моделі багаторівневого навчання для побудови прототипу автоматизованої діагностичної системи. Даний прототип служить для вирішення задачі класифікації шкірних захворювань на основі зображень враженої ділянки тіла людини. Рішення поставлених завдань та досягнуті результати. У даній роботі було представлено прототип автоматизованої діагностичної системи для вирішення задачі класифікації шкірних захворювань на основі зображень враженої ділянки тіла людини. Прототип було виконано на базі класифікаційної моделі з використанням багаторівневого навчання, а в основі даної моделі лежить згорткова нейронна мережа. Імплементація графу обчислень виконана за допомогою мови програмування Python та програмної платформи Tensorflow. В якості функції помилки для діагностики точності отриманої моделі використовувалась перехресна ентропія. В результаті отримана висока точність класифікації підтверджує можливість впровадження даного прототипу в промислових масштабах в рамках існуючих медичних платформ, таких як eHealth. Серед основних проблем, що виникли під час імплементації прототипу – це відсутність доступу до потужних дискретних відеокарт, що дозволяють за допомогою платформи CUDA прискорити навчання моделі, а також низька пропускна швидкість каналу призвела до проблем з часом обробки вхідних зображень навчального набору. Об’єкт досліджень. Класифікаційна модель з використанням багаторівневого навчання. Предмет досліджень. Алгоритми багаторівневого навчання для побудови класифікаційних моделей. Методи досліджень. Для вирішення проблеми в даній роботі використовуються методи аналізу і синтезу, системного аналізу, порівняння, логічного узагальнення результатів. Наукова новизна. Наукова новизна роботи полягає у створенні прототипу автоматизованої діагностичної системи на основі багаторівневого навчання для вирішення задачі класифікації захворювань шкіри, а також апробація отриманого прототипу на практиці з використанням вибірки даних, представленої міжнародною спільнотою з цифрової обробки зображень шкіри ISDIS (13791 зображень уражених ділянок шкіри, зроблених за допомогою дермоскопу). Практичне значення одержаних результатів. Отримані результати можуть використовуватись у майбутніх дослідженнях за напрямком покращення запропонованого прототипу та класифікаційної моделі, враховуючи переваги та недоліки даних результатів. Також даний прототип може бути використаний для покращення результатів роботи існуючих діагностичних систем.Документ Відкритий доступ База знань як сервісa(2018) Слухай, Яна Олександрівна; Булах, Богдан ВікторовичРобота виконана на 102 сторінках, містить 29 ілюстрацій, 25 таблиць. При підготовці використовувалась література з 35 джерел. Актуальність теми Аналіз сильно пов’язаних даних часто являється невід’ємною частиною систем для обробки даних. Побудова ефективних рішень, які б легко інтегрувались в уже існуючі системи, є однією з задач розробників сьогодення. Оскільки системи типу SaaS є простими в користуванні та не потребують підтримки від кінцевих користувачів, було би ефективно застосувати хмарне розгортання для системи обробки бази знань. Надання доступу до системи обробки знань дасть користувачам можливість інтегрувати її у свої вже існуючі додатки. Знаходження ефективних засобів для побудови веб-сервісу на основі системи обробки бази знань є актуальним як для обробки даних науковцями, так і для подальшого впровадження у існуючі бізнес-системи. Мета та задачі дослідження Метою даної роботи є аналіз можливості надання доступу до бази знань як до сервісу, вибір найефективніших концепцій, інструментів та фреймворків для імплементації такої системи. Для надання системі легкості розширення, необхідно проаналізувати задачі, які повинні вирішуватись, та сформулювати конкретні вимоги; після чого можна обрати підхід до проектування та існуючі шаблони проектування. Задачею дипломної роботи є створення системи, що зможе бути розгорнутою у хмарному середовищі, яка буде надавати основні можливості роботи з семантичними даними та матиме універсальний інтерфейс для подальшого використання у інших системах. Рішення поставлених завдань та досягнуті результати Було розроблено RESTful API, що надає можливість взаємодії зі сховищем триплетів. Даний веб-сервіс було розгорнуто у хмарному середовищі Heroku та протестовано за допомогою середовища для розробників API Postman. Основний функціонал додатку дозволяє завантажувати у базу знань цілі онтології, виконувати SPARQL запити на читання та оновлення, отримувати список класів онтологій та їх підкласів, перелік транзитивних відношень та список RDF суб’єктів та їх властивостей. Об’єкт досліджень Бази знань Предмет досліджень Ефективні конфігурації розробки та хмарного розгортання веб-сервісу, що може взаємодіяти з базами знань у вигляді сховищ триплетів. Методи досліджень Для вирішення проблеми в даній роботі використовуються методи аналізу і синтезу, системного аналізу, порівняння, логічного узагальнення результатів, проектування логічних структур даних. Наукова новизна Наукова новизна роботи полягає у створенні нових ефективних конфігурацій розробки та розгортання веб-сервісу, що може взаємодіяти з базами знань у вигляді сховищ триплетів та є зручним для подальшої підтримки та розширення. Практичне значення одержаних результатів Одержаний додаток може бути використаним як частина бізнес-систем, що працюють з даними у вигляді триплетів та потребують прошарок для роботи зі сховищами даних. Також такий веб-сервіс може бути використаним для аналізу даних у вигляді онтологій науковцями.Документ Відкритий доступ Дослідження технології контейнеризації у системах керування потоками даних(2018) Загороднюк, Андрій Олександрович; Харченко, Костянтин ВасильовичДана магістерська дисертація присвячена дослідженню технології контейнеризації у системах керування потоками даних. Метою роботи є дослідження існуючого програмного забезпечення контейнеризації і його використання у системах керування потоками даних. В роботі розглянуто існуючі способи контейнеризації та програмне забезпечення для керуванням контейнерами. Була досліджена можливість використання знайдених рішень в IoT сфері, а також була спроектована стратегія стартапу, яка описала бізнес-модель продукту, який спроможний зайняти перші позиції. Актуальною науково-прикладною проблемою є знаходження рішення для керування потоками даних використовуючи контейнеризацію. Об’єкт дослідження – технологія контейнеризації. Предмет дослідження – система керування потоками даних завдяки технології контейнеризації. Мета і задачі дослідження. Метою роботи є розгортання мікросервісів за допомогою контейнерів, автоматичне керування контейнерами, а також розгортання їх на IoT-девайсі. Загальний обсяг роботи: 84 сторінки, 37 рисунків, 23 таблиць, 2 додаток на 2 стр., 15 посилань.Документ Відкритий доступ Емоційна нейронна діалогова система зі знаннями для пошуку онлайн курсів(2018) Шаптала, Роман Віталійович; Кисельов, Геннадій ДмитровичРобота виконана на 82 сторінках, містить 9 ілюстрацій, 26 таблиць. При підготовці використовувалась література з 38 джерел. Актуальність теми дослідження полягає в тому, що поточні діалогові системи охоплюють лише семантичну та граматичну складові природньої мови, ігноруючи емоційне забарвлення необхідне при живому спілкуванні, а тому вимагають механізмів інтеграції емоційності при розмові. Крім того, здатність надати таким системам специфічних знань та можливості здійснювати обдуманий пошук та рекомендації є дуже важким завданням та потребує подальших досліджень. Таким чином створення діалогової системи, яка може імпонувати емоціям користувача та має знання про онлайн курси, здатне сприяти прискореному навчанню фахівців у певній області. Мета та задачі дослідження. Метою даної роботи є створення емоційної нейронної діалогової системи зі знаннями для пошуку онлайн курсів. Поставлена мета вимагає вирішення наступних наукових задач: 1) аналіз та класифікація емоцій у текстових даних, зокрема діалогових репліках; 2) розробка механізму емоційності у нейронних діалогових системах; 3) розробка семантичної моделі пошуку онлайн курсів за їх текстовим описом. Об’єкт досліджень - процес текстової взаємодії людина-машина. Предмет досліджень - діалогова система з емоціями та знаннями на тему онлайн курсів і здатністю рекомендувати їх. Методи досліджень. Для вирішення проблеми в даній роботі використовуються методи аналізу і синтезу, системного аналізу, порівняння, логічного узагальнення результатів, проектування логічних структур даних. Наукова новизна. Наукова новизна дипломної роботи полягає в тому, що розроблена система є першою емоційною нейронною діалоговою системою для рекомендації онлайн курсів. У ній при спілкуванні на сторонні від освіти теми, можна контролювати емоційність відповідей даної системи, що не було можливим у попередніх розробках, пов’язаних з НДС. Потенційні застосування та практична цінність результатів дипломної роботи: 1) Розроблений механізм емоційності можна застосувати для покращення існуючих нейронних діалогових систем та додатків на їх основі; 2) Розроблений метод контролю емоційного забарвлення відповідей можна розширити і для контролю інших аспектів природнього спілкування, наприклад стилю мовлення; 3) Дану систему можна запровадити як додатковий ресурс пошуку матеріалів у освітніх системах.Документ Відкритий доступ Реалізація швидкого парсеру повідомлень з різних гетерогенних джерел(2018) Сергеєв, Єгор Ігорович; Кисельов, Геннадій ДмитровичРобота виконана на 99 сторінках, містить 17 іллюстрацій, 27 таблиць. При підготовці використовувалась література з 17 джерел. Актуальність теми. На сьогоднішній день обсяг даних стає занадто великим для того, щоб була можлива їх обробка традиційними методами та алгоритмами. Таку проблему з великою кількістю даних ще називають великими даними (big data), а прикладом джерела такої кількості даних можуть бути гетерогенні джерела, такі як соціальні мережі. Тому розробка програмного забезпечення, що може якісно і швидко завантажувати та обробляти дані з таких джерел є дуже актуальним напрямком дослідження, у час, коли кількість даних в гетерогенних джерелах зростає з небувалою швидкістю, а єдиного підходу для інтелектуального аналізу не існує. Мета та задачі дослідження. Метою даної роботи є дослідження методів та технологій аналізу даних з гетерогенних джерел, з використанням різних засобів обробки великих даних. Результатом приведених досліджень є практична частина роботи, що становить собою реалізацію парсеру даних, що оброблює великі масиви даних та апробація з використанням сучасних програмних засобів. Рішення поставленних задач та досягнуті результати. У даній роботі було запропоновано реалізацію парсера даних з таких соціальних мереж як LinkedIn, Jooble, Dou. Апробацію такого парсеру було виконано на локальному комп’ютері, а також в хмарному середовищі Google App Engine. З отриманих результатів можна зробити висновок, що розроблена програма-парсер вдало виконує свої функції, проте можливі її покращення, детально описані в роботі. Об’єкт досліджень. Гетерогенні джерела, великі масиви даних. Предмет досліджень Моделі, алгоритми та способи вирішення задачі обробки даних з гетерогенних джерел. Методи досліджень. Для вирішення проблеми в даній роботі використовуються методи аналізу і синтезу, системного аналізу, порівняння, логічного узагальнення результатів, проектування логічних структур даних. Наукова новизна. Наукова новизна роботи полягає у апробації сучасних моделей роботи з великими даними для вирішення задачі обробки даних з гетерогенних джерел, а саме соціальних мереж на прикладі LinkedIn, Dou та інших. Практичне значення одержаних результатів. Отримані результати можуть використовуватись в майбутніх дослідженнях за напрямом створення моделей обробки даних з гетерогенних джерел, враховуючи переваги та недоліки, а також способи та методи продемонстровані в даній роботі. Завдяки науковій публікації, яку розміщено в мережі інтернет, результати роботи будуть доступні за межами України.Документ Відкритий доступ Розподілене глибинне навчання для інтелектуального аналізу відео(2018) Ткаченко, Дмитро Анатолійович; Петренко, Анатолій ІвановичЗагальний обсяг роботи: 127 сторінки, 19 ілюстрацій, 26 таблиць, перелік посилань із 57 найменувань, 1 додаток на 4 сторінках. Актуальність теми. Галузь аналізу графічних даних, і зокрема відео, стрімко розвивається, і є великий попит на їх автоматичний аналіз у галузях робототехніки, безпеки, модерації користувацького контенту тощо. Ці застосування вимагають розробки моделей машинного навчання, які повинні бути точними, стійкими до шуму та цілеспрямованих атак, та дозволяти виконувати їх розподілене навчання. Машинний аналіз відео є порівняно маловивченою галуззю через значну складність розпізнавання відео та необхідність виконання великої кількості обчислень. Однією з найважливіших задач аналізу відео є класифікація, і наразі наявно декілька підходів, які потребують дослідження та подальшого розвитку. Мета та задачі дослідження. Метою даної роботи є пошук шляхів удосконалення існуючих рішень аналізу відео із застосуванням нових або маловивчених підходів. Задачею дослідження є реалізація моделі машинного навчання для класифікації відео, що досягає кращих результатів, є більш ефективною, або має інші переваги перед відомими методами. Вирішення поставлених завдань та досягнуті результати. Було запропоновано архітектуру багатопотокової моделі для класифікації відео, що використовує двовимірні згорткові та рекурентні нейронні мережі, та враховує оптичні потоки і звукову доріжку. Окрім високої точності класифікації та ефективності, модель дозволяє обчислювати компактні представлення відео, що можуть застосовуватися як ознаки на вході інших моделей, для стиснення даних тощо. Як приклад застосування цих представлень було описано їх використання для виявлення аномалій. Модель було випробувано на наборі даних, що зображає людські дії. Також було проведено експеримент із її розподіленого навчання. Об’єкт дослідження. Згорткові та рекурентні нейромережі для класифікації відео. Предмет дослідження. Методи машинного навчання для аналізу відео, зокрема виконання класифікації. Методи дослідження. Досліджуються та застосовуються двовимірні та тривимірні згорткові, а також рекурентні нейронні мережі. Для передобробки даних і виділення ознак використовуються алгоритми обчислення оптичного потоку та частотного аналізу звукової доріжки. 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 для класифікації відео, яка поглиблює використання ідей вивчення представлень та передавального навчання, тим самим усуваючи важливі недоліки існуючих рішень. Також було запропоновано методи вдосконалення навчання, точності та інтерпретації цієї моделі, зокрема, метод адаптивної вибірки тренувальних прикладів з урахуванням кількості інформації в сегменті відео відповідно до оптичних потоків між кадрами. Розроблена модель виконує класифікацію за вектором представлення відео, що характеризує всі потоки, за допомогою окремої моделі синтезу. Вона досягає кращих результатів класифікації, аніж відомі моделі з подібною архітектурою, і при цьому більш ефективно використовує тренувальні дані та обчислювальні ресурси. Практичне значення одержаних результатів. Розроблена модель дозволяє виконувати класифікацію, а також отримувати компактні вектори представлення відео, на основі яких може реалізовуватися вирішення інших задач, у тому числі більш високорівневих, які можуть виникати при розробці різноманітних автономних та автоматизованих методів аналізу графічних даних і керування системами.Документ Відкритий доступ Самоналагоджувальна індексна структура бази для діапазонного пошуку за допомогою підходів машинного навчання(2018) Круш, Ігор Володимирович; Петренко, Анатолій ІвановичЗагальний обсяг роботи: 103 сторінки, 30 ілюстрацій, 31 таблиця, 1 перелік посилань із 30 найменувань. Актуальність теми. У зв’язку зі стрімким зростанням кількості даних у мережі Інтернет традиційні підходи до пошуку інформації стають дедалі більш неефективними. Основною їх проблемою лишається те, що вони не враховують реальний розподіл даних та діють з точки зору найгіршого ймовірно розподілу, а їх ефективність вимірюється асимптотичною оцінкою. Темою дослідження є застосування підходів машинного навчання для побудови нового класу індексних структур для діапазонного пошуку, що будуть враховувати специфіку конкретних даних, на яких будується індекс. Такий підхід дозволяє зменшити використання пам’яті, а також звести час пошуку інформації до константного в незалежності від кількості даних. Мета та задачі дослідження Метою даної роботи є пошук шляхів побудови більш ефективних індексних структур за допомогою підходів машинного навчання. Задачею дослідження є реалізація самоналагоджувальної індексної структури для діапазонного пошуку, що враховує розподіл даних та працює за константний час в незалежності від кількості даних та їх природи зростання. Вирішення поставлених завдань та досягнуті результати Було перевірено підхід побудови самоналагоджувальних індексних структур за допомогою методів машинного навчання з використанням повновз’язних нейронних мереж та методу опорних векторів з використаням техніки гурту експертів. Роботу зазначених навчених індексних структур було апробовано на двох типах наборів даних – числових та строкових. Експерименти показали, що цей підхід має право на життя, і структури доволі успішно вивчили розподіл даних будь-якого типу, однак зі строковими даними результати були кращими. Об’єкт дослідження. Індексні структури в базах даних. Предмет дослідження. Методи машинного навчання для побудови самоналагоджувальних індексних структур для діапазонного пошуку Методи дослідження. Досліджується використання нейронних мереж та методу опорних векторів для вирішення задачі вивчення розподілу чисельних та строкових даних. Розроблене рішення використовує сучасні підходи машинного навчання, методи покращення точності у вигляді гурту експертів, а також бібліотеки для тренування і застосування моделей. Наукова новизна. На відміну від попередніх робіт, які фактично стосувались статичного вибору архітектури, у даному дослідженні було зміщено акцент на побудову спрощених ієрархічних та плоских моделей - використання неглибоких нейронних мереж та методу опорних векторів, а також на використання методів Баєсівської оптимізації для підбору оптимальної по пам’яті та швидкості роботи архітектури моделі в залежності від розподілу реальних даних, що може бути корисним застосуванням для моделей у реальних базах даних. Практичне значення одержаних результатів. Розроблені індексні структури показують більш ефективне використання пам’яті та приведення часу виконання пошуку до константного, тому, за умови подальшого вдосконалення, вони можуть бути інтегровані у сучасні бази даних. Крім цього, отримані результати підтверджують загальну ідею доцільності використання машинного навчання для заміни класичних індексних структур.