Бакалаврські роботи (ММСА)
Постійне посилання зібрання
Переглянути
Нові надходження
Документ Відкритий доступ Агентне моделювання систем зеленої енергетики(КПІ ім. Ігоря Сікорського, 2024) Захаренко, Нікіта Сергійович; Кузнєцова, Наталія ВолодимирівнаДипломна робота: 124 с., 14 рис., 6 табл., 2 дод., 10 джерел. Об’єкт дослідження – системи зеленої енергетики, що використовують відновлювані джерела енергії. Предмет дослідження – взаємодія між різними типами агентів у системах зеленої енергетики та ефективність виробництва електроенергії за допомогою сонячних, вітрових і гідроелектростанцій. Мета роботи – розробити та використати агентні моделі для дослідження систем зеленої енергетики з метою визначення можливостей забезпечення окресленої кількості споживачів виключно за допомогою відновлюваних джерел енергії. Методи дослідження – агентне моделювання, аналіз попиту та виробництва енергії, симуляція взаємодії між споживачами та виробниками в умовах змінних погодних умов. Актуальність – розробка ефективних стратегій впровадження зеленої енергетики та забезпечення її надійності та економічної ефективності. Результати роботи – проведено моделювання, отримані дані про ефективність різних типів електростанцій, розроблені рекомендації щодо покращення стабільності енергосистеми. Шляхи подальшого розвитку предмету дослідження – дослідження нових технологій зберігання енергії, оптимізація взаємодії між різними типами відновлюваних джерел енергії, вдосконалення моделей агентного моделювання.Документ Відкритий доступ Рекомендаційна система з використанням інтелектуального аналізу даних для задачі роботи з текстом(КПІ ім. Ігоря Сікорського, 2024) Товкач, Максим Андрійович; Гуськова, Віра ГеннадіївнаДипломна робота: 162 с., 45 рис., 19 табл., 9 джерел, 2 додатки. Об’єкт дослідження – текстові данні, новинні статті, забрані за допомогою парсингу інтернет-джерела. Предмет дослідження – алгоритми та методи, що використовуються для побудови рекомендаційної системи. Мета роботи – побудувати рекомендаційну систему, яка за допомогою використання різноманітних методів та алгоритмів надає користувачу релевантні рекомендації у вигляді текстових даних. Методи дослідження – використання методів інтелектуального аналізу даних та методів обробки природної мови. Актуальність – персоналізація контенту та підвищення користувацького досвіду в умовах інформаційного перенасичення. Результати роботи – зібрано необхідний набір текстових даних та створено програмний продукт у вигляді новинного вебзастосунку, для якого реалізовано чотири методи побудови рекомендацій. Для реалізації даного програмного продукту було використано мови програмування Python та JavaScript, а також мову розмітки HTML та мову стилів CSS. Шляхи подальшого розвитку предмету дослідження – створення єдиного списку рекомендацій шляхом об’єднання розроблених методів. Занесення більшої кількості текстових даних у базу даних. Удосконалення графічного інтерфейсу таким чином, аби певні авторизовані користувачі мали можливість самостійно заносити нові новини у базу даних.Документ Відкритий доступ Розробка комплексу для розрахунку та візуалізації результатів якісного аналізу динаміки складноорганізованих систем(КПІ ім. Ігоря Сікорського, 2024) Каюк, Тарас Дмитрович; Селін, Юрій МиколайовичДипломна робота: 99 с., 6 табл., 55 рис., 7 додатків, 19 джерел. Об’єкт дослідження. Якісний аналіз та візуалізація результатів моделю- вання динаміки складноорганізованих систем, представлених у вигляді системи автономних диференціальних рівнянь. Предмет дослідження. Комплекс програмних засобів для розрахунку та візуалізації результатів якісного аналізу динаміки складноорганізованих систем. Метою наукової роботи є розробка інструменту для розрахунку та візуа- лізації результатів якісного аналізу динаміки складноорганізованих систем, шля- хом практичного застосування отриманого продукту в економічних моделях. Перший розділ аналізує існуюче програмне забезпечення для моделювання динаміки складноорганізованих систем, підкреслюючи обмеження спеціалізова- них пакетів та можливості універсальних і предметно-орієнтованих програм, таких як MATLAB, Simulink тощо. Другий розділ описує методику якісного дослідження математичних моделей складноорганізованих процесів і систем, зосереджуючи увагу на аналізі інваріантів та класифікації особливих точок за до- помогою матриці Якобі. У третьому розділі розглядається економічне засто- сування якісного аналізу динаміки складноорганізованих систем, включаючи моделі Солоу, SIR, а також Розенцвейга-МакАртура. Четвертий підрозділ дета- льно розглядає компоненти системи моделювання, побудованої з використанням JavaScript та Bootstrap, і функції програми, що дозволяють моделювати та візуалізувати динаміку систем у вигляді фазових портретів.Документ Відкритий доступ Система комп'ютерного зору на базі нейронної мережі(КПІ ім. Ігоря Сікорського, 2024) Таран, Дмитро Андрійович; Селін, Юрій МиколайовичДипломна робота: 89 с., 7 табл., 10 рис., 1 додаток, 16 джерел. Системи комп'ютерного зору на базі нейронних мереж стають все більш поширеними в сучасному світі, забезпечуючи широкий спектр застосувань у таких галузях, як медицина, автоматизація виробництва, транспорт та багато інших. Ця бакалаврська робота присвячена розгляду системи комп'ютерного зору на базі нейронної мережі та її застосуванню у сфері штучного інтелекту. У першому розділі роботи проводиться огляд систем комп'ютерного зору. Розглядаються визначення та призначення цих систем, їх історія розвитку, основні складові та приклади застосування в різних сферах життя. Другий розділ присвячений нейронним мережам у системах комп'ютерного зору. Він включає в себе вступ до нейронних мереж, типи мереж, використовуваних у системах комп'ютерного зору, основні принципи їх роботи, а також переваги та недоліки використання таких мереж. У третьому розділі описується розробка конкретної системи комп'ютерного зору на базі нейронної мережі. Розглядаються вибір та підготовка набору даних для навчання, архітектура нейронної мережі, навчання та тестування системи, а також оцінка її ефективності. Дослідження, проведене в цій роботі, підтверджує важливість та перспективність застосування систем комп'ютерного зору на базі нейронних мереж у різних галузях. Результати дослідження можуть бути корисними для фахівців у галузі штучного інтелекту, розробників програмного забезпечення та інженерів, що працюють над удосконаленням систем автоматизації та розпізнавання образів.Документ Відкритий доступ Прогнозування забруднення повітря з використанням аналізу даних(КПІ ім. Ігоря Сікорського, 2024) Лисенко, Владислава Русланівна; Барановська, Леся ВалеріївнаДипломна робота: 104 с., 14 рис., 10 табл., 2 додатки, 12 джерел. У роботі розглянуто поняття прогнозування забруднення повітря за допомогою нейронних мереж, зокрема, гібридної моделі CNN-LSTM. Проаналізовано сутність та значення прогнозування забруднення повітря, архітектуру згорткової нейронної мережі (CNN) та мережі з довготривалою короткостроковою пам'яттю (LSTM), а також їх поєднання для підвищення точності прогнозів. Проведено порівняльний аналіз конкурентних додатків за допомогою UX-досліджень. Об’єктом дослідження стала задача прогнозування рівнів забруднення повітря в реальному часі. Предметом дослідження є гібридна нейронна мережа CNN-LSTM для прогнозування забруднення повітря.Документ Відкритий доступ Теоретико-ігровий підхід в задачі вибору локації(КПІ ім. Ігоря Сікорського, 2024) Ліфтеров, Валентин Олександрович; Барановська, Леся ВалеріївнаДипломна робота: 83 с., 17 рис., 6 табл., 2 додатки, 13 джерел. Об’єкт дослідження – теоретико-ігровий підхід в задачах вибору локації. Формалізації таких задач. Предмет дослідження – практичне використання теоретико-ігрового підходу у вирішенні щоденних викликів різноманітних галузей діяльності людини. Мета роботи – освоїти теоретико-ігровий підхід у задачах з вибору локації та розроробити програмний продукт який вирішує задачу з вибору локації базового рівня. Методи дослідження – аналіз відкритих наукових джерел, дослідження вирішення сучасних проблем вибору локації. Актуальність – вирішення проблем вибору локації у стані високої урбанізованності сучасних міст. Результати роботи – проведено дослідження того як виник теоретико- ігровий підхід в задачу вибору локації та створення програмного продукту який вирішує базову задачу відповідного типу. Шляхи подальшого розвитку предмету дослідження – використання відкритих геоданних для перенесення задачі з уявної площини графів до реальної карти міста чи будь-якої іншої місцевості.Документ Відкритий доступ Дослідження та розробка моделі машинного навчання для автоматичної класифікації космічних об'єктів на основі фотометричних спостережень SDSS(КПІ ім. Ігоря Сікорського, 2024) Долгополова, Катерина Олексіївна; Барановська, Леся ВалеріївнаДипломна робота: 108 с., 12 табл., 29 рис., 3 додатки, 20 джерел. Об’єкт дослідження – фотометричні дані космічних об'єктів в рамках огляду Слоанівського цифрового огляду неба (SDSS). Предмет дослідження – алгоритми машинного навчання, зокрема випадковий ліс, класифікатор додаткових дерев, екстремальне градієнтне підсилювання, методи k-найближчих сусідів та опорних векторів, застосовані до фотометричних даних космічних об'єктів. Мета роботи – провести аналіз та порівняння результатів отриманих моделей для класифікації космічних об'єктів на основі фотометричних спостережень Слоанівського цифрового огляду неба. Методи дослідження – використання алгоритмів машинного навчання та аналізу даних. Актуальність – вирішення задачі класифікації космічних об'єктів на основі фотометричних спостережень Слоанівського цифрового огляду неба. Результати роботи – програмний продукт, на основі алгоритмів машинного навчання для класифікації космічних об'єктів на основі фотометричних спостережень Слоанівського цифрового огляду неба. Шляхи подальшого розвитку предмету дослідження – комбінація різних параметрів для створення кращого набору даних та пошук нової інформації, що може зменшити похибку прогнозування. Створення повноцінного програмного продукту з використанням графічного інтерфейсу для зручного використання програми іншими користувачами.Документ Відкритий доступ Розробка і управління чат-ботами з використанням текстової аналітики(КПІ ім. Ігоря Сікорського, 2024) Дмитрієнко, Нікіта Сергійович; Кузнєцова, Наталія ВолодимирівнаДипломна робота: 99 с., 19 рис., 6 табл., 2 дод., 16 джерел. Об’єкт дослідження – Розробка та впровадження чат-бота для підбору викладачів та студентів. Предмет дослідження – Використання технологій штучного інтелекту, зокрема Rasa NLU та MongoDB, для створення ефективного бота для підбору викладачів та студентів. Мета роботи – Розробити функціонального Telegram бота, який здатен ефективно взаємодіяти з користувачами для підбору викладачів та студентів. Інтегрувати з Rasa NLU для аналізу природної мови користувачів та з MongoDB для зберігання даних. Методи дослідження – Розробка та впровадження Telegram бота з використанням Python Telegram Bot бібліотеки та середовища розробки PyCharm. Налаштування та тренування моделей Rasa NLU для аналізу природної мови користувачів. Інтеграція з MongoDB для зберігання та обробки даних. Актуальність – Використання штучного інтелекту та баз даних дозволяє створювати ботів, які здатні ефективно відповідати на запити користувачів та забезпечувати їм потрібну інформацію. Результати роботи – Створено Telegram бота, який здатний ефективно взаємодіяти з користувачами для підбору викладачів та студентів. Шляхи подальшого розвитку предмету дослідження – Розширення функціональності бота з включенням додаткових можливостей для користувачів.Подальше навчання моделей Rasa на більшому обсязі даних для покращення точності розпізнавання намірів та сутностей.Документ Відкритий доступ Рекомендаційна система аніме на основі списків уподобань з використанням нейромереж(КПІ ім. Ігоря Сікорського, 2024) Вершинін, Андрій Андрійович; Мілявський, Юрій ЛеонідовичДипломна робота: 91 с., 6 табл., 18 рис., 2 дод., 13 джерел Мета роботи - створенні рекомендаційної системи для вибору аніме. Об'єкт дослідження – рекомендаційні системи товарів. Предмет дослідження - методи та алгоритми формування рекомендацій. У роботі проаналізовано методи формування рекомендацій, проведений огляд існуючих рекомендаційних систем. Результатом є розроблений алгоритм формування рекомендацій на основі моделі з використанням нейронних мереж і колаборативної фільтрації. Практичною реалізацією є рекомендаційна система для користувачів сайтів з перегляду аніме, подібних до hianime та animego. Результати даної роботи рекомендовано використовувати у випадках коли необхідно сформувати рекомендацію аніме у вигляді списку товарів. Шляхи подальшого розвитку предмету дослідження – можливе додавання додаткових рівнів на основі інших розглянутих алгоритмів та перетвореня моделі на дворівневу та спосіб оцінки якості моделі шляхом отримання відгуків реальних користувачів.Документ Відкритий доступ Навчання мовної моделі для створення заголовків статей на основі їх змісту(КПІ ім. Ігоря Сікорського, 2024) Вишемірський, Антон Ігорович; Дмитрієва, Ольга АнатоліївнаДипломна робота: 87 с., 6 табл., 23 рис., 2 додатки, 17 джерел. Ключові слова: мовна модель, технології обробки природної мови, генерація тексту, трансформери, валідація моделі, нейронні мережі, машинне навчання. Об’єктом дослідження є процес тренування переднавченої моделі для генерації назв статей із текстового змісту за допомогою технологій обробки природної мови (NLP) та машинного навчання. Предметом дослідження є алгоритми та методи машинного навчання та обробки природної мови (NLP), які використовуються для аналізу тексту статей та автоматизації процесу генерації відповідних і змістовних заголовків. Мета роботи полягає у реалізації процесів тренування та оцінювання отриманих результатів. Для досягнення поставленої мети і автоматизації процесу в роботі передбачено розробку вебзастосунку. Розроблений програмний продукт орієнтований на визначення тематики текстових масивів даних, розпізнавання ключових ідей, що містяться у тексті, генерування заголовків, які адекватно відображають основний зміст статті та привертають увагу потенційних читачів. Методи розробки базувалися на використанні основних положень теорії алгоритмів, систем штучного інтелекту та проєктування програмного забезпечення. Для розпізнавання ключових ідей і визначення тематики текстових масивів даних було застосовано підходи, на яких ґрунтуються теорія обробки природної мови, теорія машинного навчання. Дослідження і оцінювання основних результатів роботи здійснювалися із залученням положень математичної статистики і інтелектуального аналізу даних. Практичне значення полягає в створенні програмного застосунку для підтримки процесу генерування заголовків статей, привернення уваги потенційних читачів та підвищення загальної продуктивності.Документ Відкритий доступ Розробка дизайну мобільного додатку читання книг для дитячої аудиторії(КПІ ім. Ігоря Сікорського, 2024) Бодько, Дмитро Олегович; Шубенкова, Ірина АнатоліївнаДипломна робота: 73 с., 34 рис., 6 табл., 8 джерел, 1 додаток. Об’єкт дослідження – дитячі книги в електронному форматі, визначення елементів й функцій, які дозволять зробити читання більш цікавим. Предмет дослідження – вплив дизайну на цікавість до читання книг, які етапи розробки дизайну існують і за допомогою яких інструментів та додатків все робиться. Мета роботи – розробити дизайн додатку для читання книг, який орієнтований на дітей, аби заохотити їх читати більше книжок, користуючись додатком. Методи дослідження – буде проведено аналіз цільової аудиторії та конкурентів, а також дослідження ринку. Актуальність – вирішення проблем із заохоченням дітей до читання книг. Результати роботи – проведені дослідження та зібрані дані, а також було розроблено дизайн мобільного додатку. Шляхи подальшого розвитку предмету дослідження – глибше дослідження цільової аудиторії, вивчення впливу різних дизайн-систем на цікавість дітей до читання.Документ Відкритий доступ Прогнозування фінансових часових рядів. Порівняльний аналіз методів прогнозування(КПІ ім. Ігоря Сікорського, 2024) Макітрук, Максим Тарасович; Селін, Юрій МиколайовичДипломна робота: 60 с.,27 рис.,8 табл., 3дод., 15 джерел. Об’єкт дослідження – Фінансові часові ряди, методи прогнозування фінансових часових рядів. Предмет дослідження – Методи прогнозування, що базуються на ARIMA та LSTM моделях. Мета роботи – Провести аналіз методів прогнозування фінансових часових рядів, реалізувати моделі ARIMA та LSTM для прогнозування індексу S&P 500 та курсу золота, а також провести тестування побудованих моделей на історичних даних. Методи дослідження – методи машинного навчання та статистичного аналізу, авторегресійно-інтегрована модель ковзного середнього (ARIMA) та рекурентні нейронні мережі довгострокової пам'яті (LSTM). Актуальність – у сучасному світі економічних нестабільностей та фінансових криз, прогнозування фінансових часових рядів є важливою задачею для інвесторів та аналітиків. Використання сучасних методів машинного навчання дозволяє отримувати більш точні прогнози, що сприяє прийняттю обґрунтованих рішень та зменшенню ризиків. Результати роботи – результати показують, що модель LSTM забезпечує високу точність прогнозування фінансових часових рядів з низькими показниками похибок. Модель ARIMA також демонструє хорошу ефективність, але поступається LSTM за точністю прогнозів. Використання цих моделей дозволяє підвищити рентабельність інвестицій та приймати більш обґрунтовані рішення на фінансових ринках. Шляхи подальшого розвитку предмету дослідження – збільшити кількість параметрів, що враховуються в моделях, дослідити можливості застосування методів прогнозування для інших фінансових інструментів, а також адаптувати моделі для прогнозування в умовах високої волатильності ринків.Документ Відкритий доступ Рекомендаційна система в галузі охорони здоров’я на основі інтелектуального аналізу асоціативних правил(КПІ ім. Ігоря Сікорського, 2024) Михнюк, Ольга Іванівна; Недашківська, Надія ІванівнаДипломна робота: 108 с., 25 рис., 8 табл., 2 додатки, 24 джерела. У дипломній роботі аналізуються та порівнюються різні методи інтелектуального аналізу асоціативних правил для розробки рекомендаційної системи для медичних даних пацієнтів, хворих на діабет. Особлива увага приділяється методам Ariori, FP-Growth та ECLAT. Розглядаються особливості застосування цих методів до аналізу даних записів пацієнтів та їх ефективність у вирішенні задачі розробки рекомендаційної системи. Результати роботи можуть бути використані для покращення рекомендаційних систем у сфері охорони здоров’я. Шляхи подальшого розвитку дослідження полягають у якісному попередньому аналізі даних для вибору такого алгоритму для побудови асоціативних правил, який врахує всі особливості набору даних. Програмна частина роботи була виконана мовою програмування Python у середовищі розробки Jupyter. При реалізації використовувалися бібліотеки Numpy, Pandas, Matplotlib, Mlxtend, PyECLAT.Документ Відкритий доступ Система оцінки руйнувань будівель за зображеннями(КПІ ім. Ігоря Сікорського, 2024) Паєвський, Іван Петрович; Тимощук, Оксана ЛеонідівнаДипломна робота: 88 с., 6 табл., 18 рис., 2 додатки, 23 джерела. Руйнування будівель внаслідок воєнних дій є серйозною проблемою. Через поширення конфліктів виникає необхідність швидкої та ефективної оцінки масштабів руйнувань. Сучасні технології обробки зображень та штучного інтелекту відкривають можливості для автоматизованої оцінки збитків, що дозволяє аналізувати великий обсяг даних швидко та зменшує витрати. Вдосконалення таких систем може значно полегшити процес відновлення інфраструктури та зменшити збитки. Мета роботи - розгляд існуючих методів та підходів до категоризації об’єктів на зображеннях та розробка власної моделі розпізнавання руйнувань, спричинених ракетними атаками, та представлення даної моделі у зручному для користувача вигляді. Об’єкт дослідження - зображення будівель, що зазнали руйнувань внаслідок ракетних атак. Основна увага приділяється аналізу ступеня та типу пошкоджень будівель з використанням технологій комп'ютерного зору та глибокого навчання. Предмет дослідження - методи і моделі обробки зображень для автоматизованого виявлення та оцінки пошкоджень будівель. Результатом даної роботи є програмний продукт у вигляді сайту, який отримує зображення у форматі *.png, аналізує рівень руйнування будівлі та видає результат.Документ Відкритий доступ Створення фреймворку для машинного навчання моделей регресії(КПІ ім. Ігоря Сікорського, 2024) Тункін, Євген Андрійович; Савченко, Ілля ОлександровичДипломна робота: 72 с., 9 табл., 15 рис., 2 додатки, 10 джерел. Об’єкт дослідження – задачі машинного навчання на побудову моделей регресії. Предмет дослідження – алгоритми машинного навчання. Мета роботи – дослідження різних методів машинного навчання для побудови регресійних нейронних моделей, а саме: алгоритм зворотного поширення похибки, чисельне знаходження похідних, метод градієнтного спуску, алгоритм оптимізації Adam та реалізація одного з них. Під можливими модифікаціями обраного методу мається на увазі оптимізація розрахунків похідних функції втрат та використання додаткових методів оптимізації. Програмний продукт було розроблено мовою програмування C#.Документ Відкритий доступ Порівняння підходів в A/B тестуванні та способи пришвидшення прийняття рішень(КПІ ім. Ігоря Сікорського, 2024) Романович, Володимир Володимирович; Каніовська, Ірина ЮріївнаДипломна робота містить : 95 с., 8 табл., 16 рис., 2 дод., 14 джерел. Об’єкт дослідження: процес проведення A/B тестування у цифровому бізнесі. Предмет дослідження: аналіз результатів експериментів і стратегії та підходи до прискорення процесу прийняття рішень в рамках цих експериментів. Метою дипломної роботи є розбір та порівняння основних підходів в A/B тестуванні для знаходження оптимального методу для конкретної ситуації. В даній роботі проведено дослідження та порівняння підходів з A/B тестування за допомогою симуляцій A/B тестів. Також проведено аналіз способів пришвидшення прийняття рішень, і запропоновано власний алгоритм завчасної зупинки тестів, що значно зменшує середню тривалість тесту. Результатом дипломної роботи є рекомендації щодо вибору підходу до A/B тестування для конкретної ситуації, а також способів пришвидшення прийняття рішень. В рамках подальших досліджень можна також дослідити інші методи послідовного тестування, оскільки в роботі був розглянутий тільки mSPRT, а також порівняти методи A/B тестування з динамічною зміною розподілу, так звані “багаторукі бандити”, і спробувати покращити запропонований власний алгоритм завчасної зупинки тестів.Документ Відкритий доступ Система аналізу тактичної ситуації і підтримки прийняття рішень у бойових зіткненнях(КПІ ім. Ігоря Сікорського, 2024) Пішова, Поліна Володимирівна; Савченко, Ілля ОлександровичДипломна робота містить : 110 с., 18 табл., 17 рис., 3 дод., 14 джерел. Об’єктом дослідження – є аналіз тактичної ситуації та процес прийняття рішень у військових зіткненнях. Предметом дослідження – є двоетапний модифікований метод морфологічного аналізу. Метою дипломної роботи – є розробка комп’ютеризованої системи аналізу тактичної ситуації та підтримки прийняття рішень у бойових зіткненнях на базі двоетапного модифікованого методу морфологічного аналізу. В даній роботі проведено дослідження та характеристику військових зіткнень в умовах Російського вторгнення в Україну (з 2022). Проаналізовано відкриті джерела оперативних даних, побудовано універсальні морфологічні таблиці для оборонних і наступальних зіткнень та проведено експертне оцінювання. Результатом дипломної роботи є програмний продукт у вигляді інтеграції середовищ «Google Sheets» та «Google Colaboratory», функціональний скрипт якого написаний на мові програмування Python. Подальший розвиток роботи полягає в автоматизації імпорту, аналізу сирих даних та частини експертного оцінювання, інтеграція баз даних та розширення можливостей основного алгоритму.Документ Відкритий доступ Порівняльний аналіз нейронних мереж у завданнях машинного перекладу(КПІ ім. Ігоря Сікорського, 2024) Фещенко, Яна Володимирівна; Гуськова, Віра ГеннадіївнаДипломна робота: 124 с., 56 рис., 13 табл., 2 дод., 36 джерел. Мета роботи – дослідження та проведення порівняльного аналізу нейронних мереж різних архітектур для задачі машинного перекладу, використовуючи метрики якості навчання моделей, метрики оцінювання якості перекладу та людського оцінювання. Об’єкт дослідження: машинний переклад. Предмет дослідження: нейронні мережі для реалізації машинного перекладу. Проведено опис задачі машинного перекладу, його розвиток, оглянуто основні види машинного перекладу включно з перевагами та проблемами кожного. Досліджено структуру, особливості будови та принцип роботи кожної моделі з математичної точки зору. Наведено огляд набору даних, що використовувався для порівняльного аналізу роботи нейронних мереж. Для досягнення поставленої мети було побудовано кілька моделей, таких як LSTM Seq2Seq, GRU Seq2Seq, Bidirectional LSTM Seq2Seq, Bidirectional GRU Seq2Seq, Seq2Seq with Attention, Transformer. Розроблено програму на мові Python, у якій було побудовано оглянуті моделі, проведено процес їхнього навчання, та проведено порівняльний аналіз моделей на основі результатів перекладу.Документ Відкритий доступ Прогнозування часових рядів економічної природи. Порівняльний аналіз методів прогнозування(КПІ ім. Ігоря Сікорського, 2024) Ярко, Андрій Юрійович; Селін, Юрій МиколайовичДипломна робота: 119 с., 36 рис., 11 табл., 2 дод. та 15 джерел. Об’єкт дослідження – методи прогнозування цін фінансових інструментів з використанням сучасних алгоритмів машинного навчання. Мета роботи – дослідження та застосування сучасних методів машинного навчання для прогнозування фінансових ринків, з метою підвищення точності прогнозів та ефективності прийняття економічних рішень. Методи дослідження – аналіз та порівняння різних моделей прогнозування часових рядів (ARIMA, RNN, LSTM, GRU, WaveNet), попередня обробка даних (заповнення пропусків, масштабування), статистичний аналіз результатів. Програмний продукт розроблено у середовищі Google Colaboratory мовою програмування Python. Проведено порівняльний аналіз моделей, виявлено їх переваги та недоліки. Визначено кращу модель для нашої задачі. В роботі використовувалися дійсні дані часових рядів з сайту yahoo.finance.Документ Відкритий доступ Оцінювання збитків від війни в Україні методами машинного навчання(КПІ ім. Ігоря Сікорського, 2024) Шинкарьов, Олександр Олександрович; Гуськова, Віра ГеннадіївнаДипломна робота містить: 104 с., 8 табл., 25 рис., 4 дод., 40 джерел. Актуальність теми полягає в тому, що Україна як держава потребує ефективних методів оцінки збитків та руйнацій інфраструктури внаслідок воєнних дій. Неможливість доступу до окупованих територій та високі витрати на перевірку пошкоджених будівель на підконтрольній території ускладнюють точну оцінку збитків. Використання методів машинного навчання дозволить автоматизувати процес, зменшивши витрати часу та ресурсів, і забезпечити швидку та точну оцінку руйнацій, що сприятиме ефективному плануванню відновлення інфраструктури. Метою дослідження є дослідити джерела класифікації супутникових зображень для оцінки пошкоджень інфраструктури, використання машинного навчання для цієї задачі та розробити алгоритм на основі машинного навчання, що сприятиме ефективній оцінці збитків від руйнувань інфраструктури, та оцінити його ефективність на наборі реальних даних. Об’єктом дослідження є супутникові знімки пошкоджень інфраструктури внаслідок ураганів та воєнних дій. Предмет дослідження – моделі машинного навчання для задачі класифікації зображень.