Бакалаврські роботи (ММСА)
Постійне посилання зібрання
Переглянути
Нові надходження
Документ Відкритий доступ Середовище розв’язання задач сценарного аналізу на основі модифікованого методу морфологічного аналізу(КПІ ім. Ігоря Сікорського, 2023) Демчишин, Остап-Тадей Назарович; Савченко, Ілля ОлександровичДипломна робота: 118 с., 18 рис., 7 табл., 2 додатки, 17 джерел. Об’єкт дослідження: задачі сценарного аналізу на основі двоетапного метода морфологічного аналізу. Мета дослідження: створити середовище розв'язання задач сценарного аналізу для розв'язку двоетапним методом морфологічного аналізу Використані моделі: у програмній реалізації було використано модель модифікованого методу морфологічного аналізу. Отриманні результати: створений веб-додаток який приймає вхідні дані задачі сценарного аналізу та виконуючи необхідні обчислення виводить результати кожного з етапів дослідження. Програмний продукт було розроблено, використовуючи мову програмування JavaScript.Документ Відкритий доступ Прогнозування вартості оренди житла з використанням кількісних та якісних методів(КПІ ім. Ігоря Сікорського, 2023) Личковаха, Анастасія Олексіївна; Савченко, Ілля ОлександровичДипломна робота: 107 с., 21 рис., 16 табл., 2 додатки, 23 джерела. Дана робота присвячена дослідження ринку нерухомості в Україні, а саме оренди нерухомого житла (квартири) у місті Києві. За результатами дослідження очікується отримати прогноз вартості оренди зазначеного житла. За вихідні дані було взято самостійно зібрані дані про вартість оренди квартири у Києві у реальному часі. Об’єкт дослідження – прогнозування ціни вартості оренди житла із використанням кількісних та якісних методів на основі самостійно зібраних реальних даних. Мета дослідження – розробка за використання мови програмування Python та програми Excel алгоритму, що дозволяє точно та чітко спрогнозуаати дані використовуючи різнопланові методи, які враховують вплив параметрів, не пов’язаних між собою. Ефективність побудованого прогнозу була оцінена обрана метриками та скорельована обраним методом якісного аналізу. Ключовою особливістю розробленого алгоритму є використання двох методів прогнозування та універсальність його використання, тобто спроможність адаптування під інші вихідні дані.Документ Відкритий доступ Текстовий аналізатор німецькомовного тексту(2023) Самусенко, Єлизавета Костянтинівна; Тимощук, Оксана ЛеонідівнаДипломна робота містить: 73 с., 11 табл., 16 рис., 2 додатки, 15 джерел. ОБРОБКА ПРИРОДНОЇ МОВИ, НЕЙРОННА МЕРЕЖА, МАШИННЕ НАВЧАННЯ, СЕМАНТИЧНІ ВІДНОШЕННЯ, ПАРАДИГМАТИЧНІ ЗВ'ЯЗКИ Об’єкт дослідження — німецькомовні тексти. Предмет дослідження — способи обробки природної мови та визначення парадигматичного зв’язку. Мета роботи — дослідити методи та підходи обробки природної мови, пошуку парадигматичних зв'язків, розробка відповідної системи. Результат роботи — програмний продукт, який створює словник парадигматичних зв'язків німецькомовного тексту для найбільш поширених слів.Документ Відкритий доступ Модель репутаційного ризику комерційного банку(2023) Шевченко, Родіон Юрійович; Стулей, Володимир АнатолійовичДипломна робота: 118 с., 13 табл., 26 рис., 3 додатки, 14 джерел. РЕПУТАЦІЙНИЙ РИЗИК, МОДЕЛЬ МОНТІ-КЛЯЙНА, БАЗЕЛЬСЬКИЙ КОМІТЕТ, ПОСТАНОВА НБУ No64 Об’єкт дослідження – теоретичні, методичні та практичні аспекти процесу оцінювання ризиків репутації комерційного банку згідно із українськими та міжнародними стандартами нагляду за банківською. Предмет дослідження – модель оцінки ризиків репутації комерційних банків України. Мета роботи – дослідження та вдосконалення моделі оцінки ризиків репутації комерційних банків України. Під вдосконаленням мається на увазі обґрунтоване виявлення недоліків існуючої моделі, та надання обґрунтованої альтернативи, яка б не суперечила стандартам банківського нагляду. Метод дослідження – розгляд та аналіз різноманітних підходів до розрахунку репутаційних ризиків комерційних банків. Виведення власного методу оцінювання ризиків репутації. Програмний продукт було розроблено мовою програмування Python.Документ Відкритий доступ Розробка системи автоматизованого керування рекламними кампаніями в соціальних мережах(2023) Хижняк, Максим Олександрович; Гуськова, Віра ГеннадіївнаТема: “Розробка системи автоматизованого керування рекламними кампаніями в соціальних мережах” Дипломна робота: 97 с., 25 формул, 10 табл., 29 рис., 2 додатки., 25 джерел. МАШИННЕ НАВЧАННЯ, ПОЛІНОМІАЛЬНА РЕГРЕСІЯ, ЗАДАЧА ПРОГНОЗУВАННЯ, ПРОГНОЗУВАННЯ ЕФЕКТИВНОСТІ РОБОТИ РЕКЛАМНИХ КАМПАНІЙ Об’єкт дослідження: впровадження програмного рішення яке дозволить компаніям ефективно управляти рекламними кампаніями в соціальних мережах Предмет дослідження: розробка і дослідження системи автоматизованого керування рекламними кампаніями в соціальних мережах Мета дослідження: відновити залежність між маркетинговими метриками що характеризують рекламні кампаніїї, на основі цього розробити систему яка оптимізує доходи компанії приймаючи рішення щодо подальшої роботи рекламної кампанії Використані моделі: поліноміальна модель регресії Отримані результати: метрика R_squared у створеної моделі має значення 94% на тестових даних. Також метрика MSE дорівнює 96.5.Документ Відкритий доступ Моделі виявлення та сегментація пухлин головного мозку на знімках МРТ за допомогою глибинних нейронних мереж(2023) Шевченко, Владислав Вадимович; Шаповал, Наталія ВіталіївнаДипломна робота: 97 с., 9 табл., 31 рис., 2 додатки, 16 джерел. ПУХЛИНА МОЗКУ, МРТ, ГЛИБОКЕ НАВЧАННЯ, ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ, ТРАНСФЕРНЕ НАВЧАННЯ, ЗАЛИШКОВЕ НАВЧАННЯ, ЗАДАЧА КЛАСИФІКАЦІЇ, ЗАДАЧА СЕГМЕНТАЦІЇ. Об’єкт дослідження – знімки магнітно-резонансної томографії головного мозку людини. Предмет дослідження – методи обробки зображень, мережі для класифікації знімків та сегментації пухлин головного мозку. Мета роботи – розробка програмного продукту для класифікації знімків головного мозку та у разі виявлення новоутворень їх сегментація з використанням методів глибокого навчання. Результати – для задачі виявлення пухлини навчено моделі ResNet-50, VGG-16, DenseNet та запропоновану модель. Для задачі сегментації – ResUnet, ResUnet++ та Attention U-Net. Моделі з найкращими результатами метрик якості використано при реалізації програмного продукту на мові програмування Python, який дозволяє класифікувати зображення магнітно-резонансної томографії головного мозку та виділяти пухлину на знімках, якщо вона існує.Документ Відкритий доступ Система підтримки прийняття рішень для оцінювання і прогнозування банківських ризиків(2023) Теванян, Роман Робертович; Бідюк, Петро ІвановичДипломна робота: 101 с., 44 рис., 9 табл., 2 дод., 21 джерело БАНКІВСЬКІ РИЗИКИ, МОДЕЛІ МАШИННОГО НАВЧАННЯ, АНАЛІЗ ЯКОСТІ МОДЕЛЕЙ Об’єкт дослідження - набір статистичних даних кредитної компанії. Предмет дослідження: застосування алгоритмів машинного навчання до задач, що мають місце в галузі оцінки ризиків. Метою проекту є створення програмного забезпечення, що може допомогти в управлінні банківськими ризиками субʼєктам, які є відповідальними за прийняття рішень щодо впровадження та використання банківських стратегій з урахуванням ризиків різних видів. Вищеописане реалізовано за допомогою методів машинного навчання, які були застосовані на фінансових даних, що знаходяться у відкритому доступі. Було описано суть та математичну складову цих методів, задачі, для вирішення яких підходить кожен окремий метод. На основі цієї інформації вже писались та модифікувались алгоритми для конкретних задач. Було розроблено програмний продукт на мові програмування Python. Ефективність кожного алгоритма була виміряна відповідними метриками та за можливості продемонстрована візуально за допомогою матриць або графіків. Результатом роботи програми є рекомендації щодо дій, повʼязаних із банківською діяльністю, зважаючи на які, субʼєкт може прийняти кращі рішення в актуальній для нього області.Документ Відкритий доступ Виявлення та відстежування об’єктів методами машинного навчання(2023) Сухомлин, Гліб Ігорович; Недашківська, Надія ІванівнаДипломна робота: 158 с., 83 рис., 6 табл., 2 додатки, 42 джерела. НЕЙРОННІ МЕРЕЖІ, ВИЯВЛЕННЯ ТА ВІДСТЕЖУВАННЯ ОБ’ЄКТІВ, ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ, ПРОГРАМА ДЛЯ ВІДСТЕЖУВАННЯ. Об’єкт дослідження – виявлення та відстежування об’єктів з використанням периферійних пристроїв (різного роду відео-камер). Часто коли люди працюють з відео-матеріалами, вони стикаються з проблемою виявлення та класифікації об’єктів, які знаходяться на поточному кадрі. Це є необхідним у багатьох сферах людської діяльності. Наприклад, для створення автономної системи керування автомобілем, оскільки перш ніж штучний інтелект буде приймати рішення щодо керування авто має бути чітке розуміння з якими об’єктами він стикається у поточний момент часу. Однак може виникнути задача відстеження цілої історії об’єкта або об’єктів на відповідному відео матеріалі, точніше кажучи – траєкторії руху цілей, які були присутні на відео. Таким чином задача відстежування об’єктів є логічним продовженням попередньої задачі. Мета роботи – розробити програму з використанням існуючих моделей для виявлення та відстежування об’єктів, причому зробити це з оптимальним використанням ресурсів. Бажано щоб розроблена програма виконувала поставлену задачу в реальному часі, а також щоб модель була не занадто складною з точки зору часу опрацювання зображень аби можна було не витрачати додаткові ресурси на облаштування серверів, тобто щоб по суті уся робота виконувалася лише периферійними пристроями. Програмний продукт розроблено на мові програмування Python. Було реалізовано модель yolo в комбінації з алгоритмом DeepSort. Практичним результатом роботи є система виявлення і відстеження об'єктів.Документ Відкритий доступ Теорія ігор у торгівлі активами на фондових ринках(2023) Лобода, Климент Дмитрович; Барановська, Леся ВалеріївнаДипломна робота: 94 с., 14 рис., 2 табл., 1 дод., 29 джерел. ТЕОРІЯ ІГОР У ТОРГІВЛІ АКТИВАМИ НА ФОНДОВИХ РИНКАХ Об’єкт дослідження – Аналіз міжнародних фондових та валютних ринків. Предмет дослідження – фундаментальний аналіз міжнародних фондових та валютних ринків. Мета роботи – теоретико-ігровий підхід для розв’язання гри з невизначеністю на біржі цінних паперів. В ході виконання дипломної роботи розглянуто теоретичні засади ціноутворення основних активів, складові фондового ринку, макроекономічний аналіз ринку FOREX, застосовано теорію ігор до задачі на біржі цінних паперів. КЛЮЧОВІ СЛОВА: ФОНДОВИЙ РИНОК, ТРЕЙДЕР, ВОЛАТИЛЬНІСТЬ, ТЕХНІЧНИЙ АНАЛІЗ, ТЕОРІЯ ІГОР.Документ Відкритий доступ Система голосового керування для ChatGPT(2023) Мудрагель, Дмитро Сергійович; Дідковська, Марина ВіталіївнаДипломна робота: 101 c., 8 табл., 34 рис., 2 додатки, 18 джерел. ШТУЧНІ НЕЙРОННІ МЕРЕЖІ, РЕКУРЕНТНІ НЕЙРОННІ МЕРЕЖІ, ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ, CHAT-GPT, ГОЛОС-У - ТЕКСТ, ТЕКСТ-У-ГОЛОС, API. Об’єкт дослідження – моделі нейронного машинного розпізнавання мови у вигляді голосу. Предмет дослідження – модель на основі системи згорткових нейронних мереж для нейронного машинного розпізнавання мови у вигляді голосу. Мета роботи – створити систему розпізнавання голосових команд для сервісу Chat-GPT на основі штучних нейронних мереж, реалізувати можливість проговорення відповідей штучно згенерованим голосом, та розробити додаток для користування системою. Методи дослідження – згорткові нейронні мережі для розпізнавання голосової мови. Результатом роботи є система для машинного розпізнавання голосової мови, а саме система розпізнавання української мови у голосовому форматі для подальшого використання отриманого запиту у сервісі Chat-GPT та видачі готової відповіді також у голосовому форматі. Новизною роботи є алгоритм для користування сервісом Chat-GPT за допомогою лише голосу, що здатний використовувати українську мову. Практичною цінністю роботи є створена система для користування сервісом Chat-GPT, що може бути застосована як самостійний продукт у процесі користування сервісом Chat-GPT для опанування нових знань, або пошуку певних денних, обмеженими людьми, наприклад людьми із вадами зору.Документ Відкритий доступ Відбиття атак у кіберпросторі (теорія ігор і захист комп систем)(2023) Ничипорчук, Дмитро Миколайович; Барановська, Леся ВалеріївнаДипломна робота: 71 с.; 14 рисунків, 11 таблиць, 24 джерел, 2 додатки. ВІДБИТТЯ АТАК У КІБЕРПРОСТОРІ (ТЕОРІЯ ІГОР ТА ЗАХИСТ КОМП’ЮТЕРНИХ СИСТЕМ). Об’єкт дослідження – модель кібератаки як антагоністична гра в нормальній формі з нульовою сумою. Предмет дослідження – знаходження оптимальних стратегій для захисту комп’ютерної системи при кібератаках. Мета роботи – змоделювати кібератаку, описати її у вигляді гри, здійснити комп’ютерну реалізацію методу ітерацій для визначення оптимальних стратегій, спроможних відбити та захистити комп’ютерну мережу. Актуальність: в наш час кібератаки являються дуже поширеними та постійно прогресують, щоб відбити та захиститись від них стає дедалі складніше. Теоретико-ігровий підхід полягає в застосуванні стратегій, які дозволяють запобігти кібератакам та зменшити їх наслідки. Прикладами використання теорії ігор є створення "ловушок" для кіберзлочинців та використання гри з нульовою сумою. У цьому випадку зловмисники не матимуть іншого вибору, як програти. Такий підхід може бути корисним, але не забезпечує 100% захисту від кіберзлочинців. Тому важливо поєднувати його з іншими методами та технологіями кібербезпеки. Методи дослідження – метод ітерацій (метод Брауна-Робінсона), комп’ютерна реалізація його за допомогою мови програмування Python. Отримані результати – побудовано модель гри «Кібератака», методом ітерацій знайдено рівновагу у змішаних стратегіях, побудовано програму на мові Python для комп’ютерної реалізації даного методу розв’язування.Документ Відкритий доступ Розробка комплексної моделі інвестування на ринку криптовалют з використанням часових рядів та нейронних мереж(2023) Маринич, Антон Юрійович; Кузнєцова, Наталія ВолодимирівнаДипломна робота: 88 c., 19 рис., 1 дод., 17 джерел. ФІЛЬТРАЦІЯ ДАНИХ, ЧАСОВІ РЯДИ, НЕЙРОННІ МЕРЕЖІ, КОМПЛЕКСНА МОДЕЛЬ ІНВЕСТУВАННЯ Тема: Розробка комплексної моделі інвестування на ринку криптовалют з використанням часових рядів та нейронних мереж. Об’єкт дослідження: інвестиційна діяльність на ринку криптовалют з використанням аналізу часових рядів та методів нейронних мереж. Предмет дослідження: розробка комплексної моделі інвестування, яка базується на аналізі часових рядів цін криптовалют та використанні нейронних мереж для прогнозування майбутніх цін. Мета роботи: дослідити можливості використання часових рядів та нейронних мереж для розробки ефективної моделі інвестування на ринку криптовалют, здатної прогнозувати майбутні цінові зміни з високою точністю. Методи дослідження: аналіз часових рядів, використання нейронних мереж для прогнозування, статистичний аналіз даних. Актуальність: зростаюча популярність ринку криптовалют та його висока волатильність створюють нові можливості для інвесторів. Розробка ефективної моделі інвестування на основі аналізу часових рядів та нейронних мереж може допомогти інвесторам зробити кращі рішення щодо торгівлі. Результати роботи: був розроблений програмний продукт на мові програмування Python, який використовує аналіз часових рядів та нейронних мереж для прогнозування майбутніх цін. Проведені експерименти та тестування показали, що модель має високу точність в короткостроковому прогнозуванні цін та може бути ефективно використана в інвестиційній діяльності.Документ Відкритий доступ Система інтелектуального аналізу даних для прогнозування відтоку аудиторії в телекомунікацій галузі(2023) Гаврилко, Дар’я Олегівна; Дідковська, Марина ВіталіївнаДипломна робота: 147 с., 69 рис., 7 табл., 2 додатки, 37 джерел. ІНТЕЛЕКТУАЛЬНИЙ АНАЛІЗ ДАНИХ, МАШИННЕ НАВЧАННЯ, БІНАРНА КЛАСИФІКАЦІЯ, МОДЕЛЮВАННЯ, ПРОГНОЗУВАННЯ ВІДТОКУ. Об’єкт дослідження – статистичні дані про користувачів телекомунікаційної компанії. Предмет дослідження – методи обробки статистичних даних та моделі машинного навчання, зокрема, логістична регресія, наївний баєсівський класифікатор, дерева рішень, метод опорних векторів та XGBoost. Мета дипломної роботи – побудова системи прогнозування відтоку аудиторії в телекомунікаційній галузі на основі методів машинного навчання. Актуальність – розробка ефективних інструментів прогнозування та управління відтоком користувачів, з метою збереження аудиторії, покращення їх користувацького досвіду та корегування стратегії розвитку телекомунікаційної компанії в цілому. В даній дипломній роботі було проведено створено програмний продукт мовою Python. А саме, було виконано побудову прогностичні моделі, проведено аналіз отриманих результатів та вибір найкращої моделі. Особливу увагу було приділено підготовці даних та їх попередньому аналізу, з метою визначення патернів поведінки користувачів та виявлення важливих факторів, що потенційно впливають на відтік. В подальшому можна підвищувати прогностичну здатність моделей та впроваджувати їх в реальну систему, що може включати інтеграцію в існуючі системи управління клієнтами, автоматизовані системи маркетингу та веб- платформи для моніторингу відтоку.Документ Відкритий доступ Математичне моделювання динамічних процесів діяльності серця(2023) Соловей, Данило Олегович; Шубенкова, Ірина АнатоліївнаДипломна робота: 152 ст., 13 табл., 46 рис., 2 додатки, 79 джерел. ПРОГНОЗУВАННЯ, МОДЕЛЮВАННЯ, СЕРЦЕВІ ХВОРОБИ, МАШИННЕ НАВЧАННЯ. Тема: Математичне моделювання динамічних процесів діяльності серця. У роботі розглянуто прогнозування наявності серцевої хвороби. Об’єкт дослідження: є медичні показники (демографічні, симптоми, ЕКГ та результати обстежень) та їх значення для успішного діагностування захворювання. Предметом дослідження: датасет з даними. Мета роботи: розглянути різні методи прогнозування для діагностування захворювання, оцінити та обрати найкращий з них. Методи дослідження: засоби для прогнозування. Новизна цієї дипломної роботи складається в кількості параметрів для прогнозування наявності серцевої хвороби.Документ Відкритий доступ Прогнозування цін акцій методами глибоких нейронних мереж(2023) Качан, Дмитро Сергійович; Недашківська, Надія ІванівнаДипломна робота: 117 с., 31 рис., 12 табл., 2 додатки, 23 джерела. Прогноз розроблявся на мові програмування Python. Дана робота присвячена прогнозуванню цін акцій компаній методами глибоких нейронних мереж. В якості вхідних даних було використано історичні дані про ціни акцій компанії Amazon з 2020-01-01 до 2022-11-29, отримані за допомогою сервісу yfinance. Об’єкт дослідження – методи та моделі для прогнозування цін акцій компанії Amazon на основі історичних даних. Метою дослідження є знаходження найбільш точної та ефективної моделі прогнозування цін акцій з використанням глибоких нейронних мереж. Основною задачею є досягнення високої точності прогнозів, а також забезпечення швидкодії програмного комплексу для ефективного аналізу даних.Документ Відкритий доступ Портфельна модель збитків у разі дефолту за картковими кредитами відповідно до вимог МСФЗ 9(2023) Соболь, Марія Олегівна; Стулей, Володимир АнатолійовичДипломна робота: 85 с., 11 табл., 6 рис., 2 додатки, 19 джерел. Об’єкт дослідження – теоретичні, методичні та практичні аспекти процесу оцінювання оцінки втрат від дефолту карткових кредитів фізичних осіб за вимогами Міжнародного стандарту фінансової звітності 9. Предмет дослідження – модель портфельної оцінки втрат від дефолту карткових кредитів фізичних осіб за вимогами МСФЗ 9. Мета роботи – дослідження та вдосконалення моделі оцінки втрат від дефолту карткових кредитів фізичних осіб відповідно до вимог МСФЗ 9. Під вдосконаленням мається на увазі обґрунтоване виявлення недоліків існуючої моделі з метою наближення її до вимог Міжнародних стандартів фінансової звітності. Метод дослідження – розгляд та аналіз різноманітних підходів до розрахунку очікуваних збитків від дефолту, а також їх моделювання.Документ Відкритий доступ Система виявлення пухлин головного мозку за допомогою нейронних мереж(2023) Ратушнюк, Василь Євгенович; Дідковська, Марина ВіталіївнаДипломна робота: 107 с., 33 рис., 7 табл., 2 дод., 16 джерел. Об’єкт дослідження – методи виявлення та класифікації пухлин головного мозку людини. Предмет дослідження – топології нейронних мереж з різною архітектурою для вирішення поставленої задачі. Мета роботи – дослідження існуючих методів для класифікації зображень. Результати роботи – розроблено програмний продукт, що виконує класифікацію зображень МРТ головного мозку за принципом її наявності або відсутності на фото. Програмний продукт реалізовано за допомогою мови програмування Python.Документ Відкритий доступ Автоматизований вибір прогнозуючих моделей у системі підтримки прийняття рішень(2023) Зорін, Олександр Андрійович; Левенчук, Людмила БорисівнаДана дипломна робота містить 105 с., 6 табл., 16 рис., 2 дод., 28 джерел. Програмний комплекс розроблений на мові програмування Python. Дана робота присвячена сфері оцінки якості моделей, а саме методам їх автоматизованого вибору у системі підтримки прийняття рішень. В якості тренувальних даних було обрано звіти щодо показників фондових індексів з Yahoo! Finance API. Об’єкт дослідження: тренування та розрахунок якості моделей та вибору найкращої з них. Мета дослідження: проектування, розробка та реалізація алгоритму оцінки якості прогнозів тренованих моделей та подальше їх порівняння для оцінки їх якості та побудови їх рейтингу, для подальшого застосування його у СППР. Головними особливостями даного продукту є наявність можливості вибору бажаного набору даних, а також оцінювання різних доступних для тренування моделей. Окрім того розроблена програма дозволяє завантажувати власні дані.Документ Відкритий доступ Дослідження ефективності алгоритмів машинного навчання для задачі управління активами на ринку криптовалют з урахуванням оцінки довіри користувачів до криптовалюти(2023) Кротенко, Нікіта Сергійович; Канцедал, Георгій ОлеговичДипломна робота: 177с., 37 рис., 16 табл., 2 додатки, 23 джерела. Для проведення цього дослідження було розроблено базу даних і Python додаток для завантаження щохвилинних свічкових даних з криптовалютної біржі, а потім розміщено на віддаленому сервері. Потім дані були оброблені та на них було визначено ключові точки, де рекомендувалося закривати короткі і відкривати довгі позиції (локальні мінімуми) або закривати довгі і відкривати короткі позиції (локальні максимуми). Для прогнозування та прийняття рішень було розроблено три моделі нейронних мереж: довготривала короткочасна пам’ять (LSTM), одновимірна згорткова нейронна мережа (1D-CNN) і модель ансамблю, що поєднує LSTM і 1D-CNN. Щоб забезпечити надійну оцінку продуктивності, було реалізовано методологію перехресної перевірки з розбиттям часового ряду на тренувальні і тестові вибірки. Крім того, було проведено автоматичний пошук гіперпараметрів для оптимізації конфігурації моделей. Дослідження також передбачало розробку цільового стовпця та користувацьких показників, адаптованих до конкретного завдання управління активами на ринку криптовалют. Ці показники були розроблені для оцінки ефективності моделей з точки зору прибутковості та управління ризиками. Результати цього дослідження показують ефективність алгоритмів машинного навчання для управління активами на ринку криптовалют, враховуючи рейтинги довіри користувачів до криптовалют.Документ Відкритий доступ Дослідження та порівняльний аналіз алгоритмів глибокого навчання Stochastic gradient method, Adam, Adagrad, RMSprop в задачах прогнозування(2023) Копа, Максим Вікторович; Зайченко, Юрій ПетровичДипломна робота: 113 с., 11 табл., 31 рис., 2 додатки, 22 джерела. Об'єкт дослідження – алгоритми оптимізації глибокого навчання: Метод стохастичного градієнтного спуску (SGD), Adam, Adagrad, RMSprop. Предмет дослідження – задачі прогнозування в контексті глибокого навчання. Мета роботи – дослідити та порівняти ефективність чотирьох алгоритмів оптимізації глибокого навчання SGD, Adam, Adagrad та RMSprop в задачах прогнозування. Результати роботи – в процесі виконання роботи було проведено порівняльний аналіз алгоритмів оптимізації глибокого навчання. Для цього було обрано 5 наборів даних та підготовлено їх до навчання моделей. Було створено 5 моделей з різною архітектурою відповідно до кожного набору даних. Було проведено компіляцію та навчання моделей. На етапі компіляції було визначено функцію втрат для кожної моделі відповідно до задачі а також метрики, за якими буде оцінюватись продуктивність моделі. Після навчання моделі було виміряно відповідні втрати та метрики на тестових даних. Було проведено аналіз всіх результатів та зроблено висновки. Для виконання цього, було створено програмний продукт на мові програмування Python (Додаток Б).