Кафедра обчислювальної техніки (ОТ)
Постійне посилання на фонд
Переглянути
Перегляд Кафедра обчислювальної техніки (ОТ) за Назва
Зараз показуємо 1 - 20 з 1215
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Android-додаток для оптимізації закупок ресторану(КПІ ім. Ігоря Сікорського, 2020-06) Максимов, Олексій Сергійович; Антонюк, Андрій ІвановичДокумент Відкритий доступ Android-додаток для орієнтації на конкретній місцевості(КПІ ім. Ігоря Сікорського, 2019) Прокопошин, Андрій Орестович; Павлов, Валерій ГеоргійовичДокумент Відкритий доступ Andrоid додаток для пошуку та рекомендації медіа-контенту(КПІ ім. Ігоря Сікорського, 2021) Іванець, Арсентій Олегович; Каплунов, Артем ВолодимировичДокумент Відкритий доступ Bеб-інтерфейс інформаційної системи навчального закладу з використанням фреймворку React(КПІ ім. Ігоря Сікорського, 2023) Липчак, Дмитро Олександрович; Пустовіт, Леонід МихайловичВ рамках даної бакалаврської роботи була розглянута інформаційна система, яка призначена для керування вищим навчальним закладом. В даній платформі надається ефективне керування інформацією та даними, пов'язаними з навчальним процесом. Для зберігання інформації була обрана база даних PostgreSQL. Інтерфейс користувача був спроектований з використанням веб-додатку Balsamiq. Для розробки клієнтської частини додатку були обрані мова програмування JavaScript та бібліотека React. Серверна частина була реалізована за допомогою PHP та фреймворку Symfony. Ця програма надає можливість автоматично створювати контент, що є актуальним та відповідає потребам навчального процесу.Документ Відкритий доступ CRM система обліку й оренди нерухомості(КПІ ім. Ігоря Сікорського, 2021-06) Фролов, Микита Костянтинович; Алещенко, Олексій ВадимовичДокумент Відкритий доступ Cпосіб підвищення ефективності методів доповнення даних на основі нейронних мереж(КПІ ім. Ігоря Сікорського, 2020) Цзяшу, Сюй; Стіренко, Сергій ГригоровичДокумент Відкритий доступ E-commerce платформа для цифрової електронікі з гнучкою системою інтеграції у інфраструктурі веб-сервісів(КПІ ім. Ігоря Сікорського, 2023) Скліпісь, Владислав Олегович; Шемседінов, Тимур ГафаровичТемою даного дипломного проекту є розробка E-commerce платформи для цифрової електроніки з гнучкою системою інтеграції у інфраструктурі веб-сервісів. Головними завданнями даної розробки є створення зручного та сучасного веб-додатку для продажу цифрової електроніки у мережі інтернет. У ході роботи було проведено аналіз існуючих рішень, виявлено їх переваги та недоліки, а також визначено основні вимоги до продукту та засобів реалізації. Дане програмне забезпечення створювалося за допомогою таких інструментів: Node.js, Express, React.js, PostgreSQL, Bootstrap.Документ Відкритий доступ Ecrypted Network Classification With Deep Learning(КПІ ім. Ігоря Сікорського, 2020) Зайяд, Абдаллах Мухаммед; Роковий, Олександр ПетровичДокумент Відкритий доступ FUSE файлова система(КПІ ім. Ігоря Сікорського, 2021) Прокопович, Олександр Леонідович; Роковий, Олександр ПетровичДокумент Відкритий доступ HRCRM–система для управління персоналом(2022) Подаш, Антон Миколайович; Волокита, Іван МиколайовичДокумент Відкритий доступ IoT пристрій на базі мікроконтролера STM32(КПІ ім. Ігоря Сікорського, 2021-06) Музика, Михайло Олександрович; Сімоненко, Валерій ПавловичДокумент Відкритий доступ IoT система з використанням акселерометра для SmartCity(КПІ ім. Ігоря Сікорського, 2020) Копійка, Антон Олександрович; Ткаченко, Валентина ВасилівнаДокумент Відкритий доступ Method of increasing the efficiency(КПІ ім. Ігоря Сікорського, 2020) Light, Ukpu Michael; Сергієнко, Анатолій МихайловичДокумент Відкритий доступ Methods and devices for recognition of human emotionality(КПІ ім. Ігоря Сікорського, 2020) Харрі, Хопе Етім; Павлов, Валерій ГеоргієвичДокумент Відкритий доступ ON-LINE ресурс для вивчення англійської мови(КПІ ім. Ігоря Сікорського, 2019) Литвинюк, Дмитро Романович; Долголенко, Олександр МиколайовичДокумент Відкритий доступ Research and development of self-supervised visual feature learning based on neural networks(Igor Sikorsky Kyiv Polytechnic Institute, 2024) Xu Jiashu; Stirenko, SergiiXu Jiashu. Research and development of self-supervised visual feature learning based on neural networks. - Qualified scientific work on the rights of the manuscript. Dissertation for the degree of Doctor of Philosophy in the specialty 121 - Software Engineering and 12 - Information Technologies. - National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Kyiv, 2024. This Dissertation focuses on in-depth exploration into the design and development of self-supervised learning algorithms, which are a subset of unsupervised learning techniques that operate without the need for labeled datasets. These algorithms are particularly adept at pre-training models in an unsupervised manner, with the resultant models demonstrating performance on par with their supervised counterparts across a range of downstream applications. This method is particularly advantageous as it aims to mitigate the over-dependence on extensive data labeling that is typical within deep learning paradigms, thereby enhancing efficiency and practical utility in diverse real-world scenarios. The pertinence of selfsupervised learning algorithms is especially highlighted within the realm of medical image analysis. In this specialized field, the requisites for data annotation are not only laborious but also require a high degree of precision due to the critical nature of the data involved. The difficulty of obtaining accurate annotations is compounded by the scarcity of specialists capable of providing them, which in turn underscores the transformative potential of self-supervised learning approaches within this domain. In this dissertation, a cutting-edge self-supervised learning methodology is delineated, which employs the Mixup Feature as the reconstruction target within the pretext task. This pretext task is fundamentally designed to encapsulate visual representations by the prediction of Mixup features from masked image, utilizing these feature maps to extracting high-level semantic information. The dissertation delves into the validation of the Mixup Feature's role as a predictive target in selfsupervised learning frameworks. This investigation involved the meticulous calibration of the hyperparameter , integral to the Mixup Feature operation. Such adjustments allowed for the generation of amalgamated feature maps that encompass Sobel edge detection maps, Histogram of Oriented Gradients (HOG) maps, and Local Binary Pattern (LBP) maps, providing a rich, multifaceted representation of visual data. For the empirical application of this novel method, the visual transformer was selected as the principal architecture, due to its proficiency in handling complex visual inputs and its emphasis on critical image regions. This choice was further reinforced by the insights derived from the Masked AutoEncoder (MAE) approach, which illuminated the potential of utilizing partially visible inputs to reconstruct full images, thus enhancing the model's predictive capabilities in a self-supervised context. A denoising self-distillation Masked Autoencoder model for self-supervised learning was developed. This model synthesizes elements from Siamese Networks and Masked Autoencoders, incorporating a tripartite architecture that includes a student network in the form of a masked autoencoder, an intermediary regressor, and a teacher network. The underlying proxy task for this model is the restoration of input images that have been artificially corrupted with random Gaussian noise patches. This is a strategic choice designed to encourage the model to learn robust feature representations by distilling clean signals from noisy inputs. In doing so, the model is trained to reconstruction of the degraded image, effectively teaching it focus on the essence of the visual content. To ensure comprehensive learning, the model harnesses a dual loss function mechanism. One function is calibrated to reinforce the global contextual understanding of the image, thereby enabling the model to grasp the overall structure and scene configuration. Concurrently, the second function is tailored to refine the perception of intricate local details, ensuring that fine visual nuances are not lost in the process of denoising and reconstruction. Through this innovative approach, the model aspires to achieve a delicate balance between the macroscopic comprehension of visual scenes and the meticulous reconstruction of localized details, a balance that is pivotal for sophisticated image analysis tasks in self-supervised learning frameworks. An exhaustive analysis was executed to assess the experimental performance of two innovative self-supervised learning algorithms, specifically applied to three benchmark datasets: Cifar-10, Cifar-100, and STL-10. This study aimed to benchmark these algorithms against existing advanced self-supervised techniques grounded in Masked Image Modeling. In comparison to other state-of-the-art selfsupervised methods based on Masked Image Modeling, the mixed HOG-Sobel feature maps obtained using Mixup showed outstanding performance on Cifar-10 and STL-10 after full fine-tuning, with an average performance improvement of 0.4%. Additionally, the pre-trained model of the Deep Masked Autoencoder (DMAE) was subjected to a rigorous evaluation. When full fine-tuned on the STL-10 dataset, this model demonstrated a modest yet significant edge over the conventional Masked Autoencoder (MAE), exceeding its performance by a margin of 0.1%. This finding shed light on the potential of DMAE in enhancing model accuracy. Moreover, the study revealed that in comparison to traditional self-supervised learning strategies reliant on contrastive learning, the Mixup Feature method emerged as more efficient. It offered the advantage of shortened training durations and negated the requirement for conventional data augmentation methods, thus streamlining the learning process. In conclusion, the two self-supervised learning algorithms introduced in this research contribute to the expanding repertoire of methods for masked image modeling. Their demonstrated effectiveness on benchmark datasets illuminates their potential for broader applications, particularly in larger and more complex datasets. The application of these self-supervised learning algorithms was effectively expanded to encompass the domain of medical image analysis. This extension involved the utilization of self-supervised pre-training on specifically curated medical image datasets. Following this pre-training phase, the model thus developed was then employed for the downstream tasks. Empirical results from this study illustrate that the approach of self-supervised pre-training surpasses the efficacy of direct training methodologies. A notable enhancement in accuracy, exceeding 5%, was observed upon the Full fine-tuning of the model on the two downstream datasets. Data imbalance poses a substantial challenge in medical image analysis, as inadequate representation of specific conditions or features can negatively impact the efficacy of model training and feature extraction. Considering this, the study developed an imbalanced dataset and delved into the robustness of self-supervised pre-trained models in the context of data imbalance. The experimental findings underscore the superior robustness of self-supervised pre-training methods over from scrath trained models in addressing data imbalance issues. Particularly notable is their performance in scenarios with a positive to negative sample ratio of 1:8, where they exhibit enhanced robustness compared to traditional supervised Convolutional Neural Network (CNN) pre-trained models. These results affirm the effectiveness of our proposed self-supervised pre-trained models in tackling dataset imbalance challenges. The notable improvement in the robustness of self-supervised learning algorithms augments their potential as powerful tools in medical image analysis, suggesting a prospective enhancement in accuracy within intelligent assisted diagnostic systems.Документ Відкритий доступ Rest-сервіс збереження та аналізу даних для веб застосунку(КПІ ім. Ігоря Сікорського, 2022) Ільницький, Владислав Костянтинович; Каплунов, Артем ВолодимировичДокумент Відкритий доступ Software engineering. Laboratory workshop. Methodological instructions for performing laboratory work in the discipline "Software engineering"(КПІ ім. Ігоря Сікорського, 2022) Antoniuk, Andrii Ivanovych; Boldak, Andriy Oleksandrovych; Антонюк, Андрій Іванович; Болдак, Андрій ОлександровичДокумент Відкритий доступ Telegram-бот для замовлення страв з доставкою в ресторані(КПІ ім. Ігоря Сікорського, 2023) Завальнюк, Максим Євгенович; Іваніщев, Богдан ВячеславовичУ даній бакалаврській роботі була здійснена реалізація чат-бота для месенджеру Telegram. Також створено веб-сервіс з архітектурою REST API, де знаходяться усі дані, необхідні для роботи бота. Чат-бот являє собою інструмент, за допомогою якого можна створювати замовлення в ресторані, орендувати столики, а також керувати кухарями, адміністраторами та кур’єрами. В результаті роботи було розроблено власний шаблон для проектування чат-ботів, а також REST-API сервіс з можливістю фільтрувати дані, робити по ним пошук, а також надавати їх тільки авторизованим користувачам. Програмний продукт був розроблений на мові Python.Документ Відкритий доступ Telegram-бот для організації навчального часу студента(КПІ ім. Ігоря Сікорського, 2022-06) Мельник, Ростислав Костянтинович; Молчанова, Анастасія Анатоліївна