Магістерські роботи (ММСА)
Постійне посилання зібрання
Переглянути
Нові надходження
Документ Відкритий доступ Система підтримки прийняття рішень оцінювання кредитних ризиків(КПІ ім. Ігоря Сікорського, 2024) Крючков, Дмитро Олександрович; Кузнєцова, Наталія ВолодимирівнаМагістерська дисертація: 120 с., 41 рис., 25 табл., 1 дод., 35 джерел. Мета дослідження – розробка масштабованої системи підтримки прийняття рішень (СППР) для оцінювання неповернення кредитів фізичними особами, що містить в собі сучасні методи машинного навчання, за допомогою якої можна отримати результат за окремими запитами. Об’єкт дослідження – кредитні ризики, підходи до їх оцінювання. Предмет дослідження – методи та моделі машинного навчання для оцінювання кредитних ризиків, підходи до їх порівняння та покращення результатів, технології розробки СППР. В дисертації було проведено огляд проблематики оцінювання кредитних ризиків, методів та моделей машинного навчання для їх оцінювання, способи оцінки, покращення результатів та порівняння отриманих моделей. Також, було розроблено СППР, що дозволяє отримати результат по окремому запиту. В додатку A наведено лістинг розробленої програми мовою Python з застосуванням бібліотек Pandas, NumPy, Scikit-Learn, Matplotlib, Flask, розробленої в середовищі Jupyter Notebook.Документ Відкритий доступ Система підтримки прийняття рішень для менеджменту портфельних ризиків(КПІ ім. Ігоря Сікорського, 2024) Копа, Максим Вікторович; Кузнєцова, Наталія ВолодимирівнаМагістерська дисертація: 92 с., 11 рис., 20 табл., 1 додаток, 17 джерел. Об’єкт дослідження – портфельні ризики та системи їх оцінки. Предмет дослідження – математичні моделі управління портфельними ризиками, методи оптимізації портфеля та аналізу ризиків. Мета роботи – створення системи підтримки прийняття рішень для управління портфельними ризиками з інтеграцією сучасних математичних моделей. В результаті роботи була створена система, що дозволяє аналізувати фінансові ризики, прогнозувати дохідності активів, оцінювати ефективність портфелів та оптимізувати їх на основі прогнозованих даних. Проведені обчислювальні експерименти демонструють ефективність системи у прогнозуванні та управлінні ризиками. Запропонована система може бути інтегрована у фінансову діяльність інвестиційних компаній для аналізу ризиків і оптимізації портфелів. Новизною роботи є інтеграція моделі DCC-GARCH в систему підтримки прийняття рішень.Документ Відкритий доступ Підхід до прийняття торгових рішень на основі оптимізації інвестиційного портфеля(КПІ ім. Ігоря Сікорського, 2024) Кіріянов, Іван Олексійович; Савастьянов, Володимир ВолодимировичМагістерська дисертація: 82 с., 14 рис., 21 табл., 3 дод., 19 джерел. Мета роботи: розробка програми для отримання інформації про аналіз та оптимізацію інвестиційного портфеля, а також проведення порівняльного аналізу різних методів портфельної оптимізації. Об’єкт дослідження: ринкові дані курсів криптовалют за останні 5 років. Предмет досліджень: методи аналізу інвестиційного портфеля такі як бета коефіцієнт, модель оцінки капітальних активів (CAPM), коефіцієнт Шарпа, коефіцієнт Трейнора, М2 (модель Модільяні-Міллера), альфа Дженсена, показник співвідношення інформації та коефіцієнт Сортіно, а також такі методи оптимізації інвестиційного портфелю як коефіцієнт Шарпа, ієрархічний паритет ризиків (HPR), умовна вартість під ризиком(CVaR), мінімальна дисперсія (Min Var) та метод рівних ваг (Equal Weight). Для реалізації програмного продукту було обрано мову програмування Python 3.9 та середовище розробки Jupyter Notebook.Документ Відкритий доступ Рекомендаційна система на основі аналізу бази даних транзакцій(КПІ ім. Ігоря Сікорського, 2024) Лавріненко, Вероніка Олександрівна; Недашківська, Надія ІванівнаМагістерська дисертація: 91 с., 30 рис., 22 табл., 1 додаток, 14 джерел. Об’єкт досліджень – персоналізація послуг на основі аналізу бази даних транзакцій. Предмет досліджень – алгоритми Apriori, FP-Growth, MaxEclat, TopDown, MaxClique, AprClique. Мета роботи – розробка рекомендаційної системи на основі алгоритмів асоціативного аналізу для генерації рекомендацій товарів. У даній роботі присутній огляд предметної області, застосованих методів асоціативного аналізу; опис створеного програмного продукту, оцінка якості за допомогою метрик та реалізація стартап-проекту. Була проведена оцінка якості створеної рекомендаційної системи та алгоритмів асоціативного аналізу. За допомогою цих підходів вдалося підвищити точність рекомендацій, що сприяє покращенню користувацького досвіду та збільшенню ефективності роботи системи. Програмне забезпечення реалізовано на мові Python, що дозволяє здійснювати обробку великих обсягів даних, генерувати асоціативні правила та оцінювати їхню ефективність. Використання таких алгоритмів, як Apriori, FP-Growth, MaxEclat, TopDown, MaxClique, AprClique дозволило створити оптимізовану рекомендаційну систему, що враховує особливості транзакційного середовища. Наукова новизна роботи полягає у поєднанні класичних алгоритмів асоціативного аналізу із сучасними підходами для створення оптимізованої рекомендаційної системи.Документ Відкритий доступ Розробка і дослідження моделей нейронних мереж для Semantic або Instance сегментації зображень(КПІ ім. Ігоря Сікорського, 2024) Лавренко, Владислав Віталійович; Недашківська, Надія ІванівнаМагістерська дисертація: 98 с., 26 табл., 33 рис., 1 додаток, 20 джерел. Мета дослідження: створення архітектур для семантичної сегментації з нуля та їх вдосконалення, а також аналіз архітектури сегментації екземплярів та її покращення за допомогою методів post-processing. Об’єкт дослідження: процеси та методи сегментації зображень за допомогою нейронних мереж. Предмет дослідження: моделі U-Net, FCN та Mask R-CNN та їх потенціал в сегментації зображень після вдосконалення їх архітектур. Отримані результати: розроблено програмний продукт на мові програмування Python для виконання семантичної сегментації та сегментації екземплярів зображення. Запропоновано оновлені архітектури U-Net та FCN з використанням додаткового шару CRF-RNN для покращення вихідної маски зображення. Запропоновано використання покращеної NMS для моделі Mask R-CNN. У рамках подальшого дослідження та покращення пропонується використання більш вимогливих моделей для сегментації, а також розширення методів для post-processing.Документ Відкритий доступ Прогнозування та оцінювання трансферних ризиків(КПІ ім. Ігоря Сікорського, 2024) Кармазін, Володимир Андрійович; Левенчук, Людмила БорисівнаМагістерська дисертація: 114 с., 18 рис., 30 табл., 1 додаток, 42 джерела. Мета роботи – розробка системи прогнозування трансферних ризиків на основі методів машинного навчання та створення життєздатного стартап-проекту для впровадження цієї системи в банківському секторі. Об'єкт дослідження – процеси виникнення та розвитку трансферних ризиків у банківській системі України. Предмет дослідження – методи та моделі прогнозування трансферних ризиків з використанням технологій машинного навчання. Методи дослідження – методи статистичного аналізу, машинного навчання, аналізу часових рядів, методи проектного менеджменту та бізнес-планування. У роботі досліджено проблематику прогнозування та оцінювання трансферних ризиків у банківському секторі України. На основі методів машинного навчання розроблено комплексний підхід до аналізу та прогнозування ризиків з використанням даних Національного банку України. Запропоновано концепцію стартап-проекту для практичного впровадження розробленої системи. Практична цінність роботи полягає у створенні рішення для підвищення ефективності управління банківськими ризиками.Документ Відкритий доступ Методи машинного навчання для вирішення задачі Human Activity Recognition(КПІ ім. Ігоря Сікорського, 2024) Каленіченко, Денис Олександрович; Данилов, Валерій ЯковичМагістерська дисертація: 90 c., 11 рис., 21 табл., 1 дод., 32 джерела. Об’єктом дослідження є поведінкові дані людини з носимих пристроїв, які отримані з давачів – акселерометру та гіроскопу. В дослідження також входять способи обробки отриманих поведінкових даних та архітектур розпізнавання активності методами машинного навчання на базі цих даних. Предметом дослідження є підгрупа методів машинного навчання, а саме генеративні мережі, їх властивості та можливості у розпізнаванні поведінкової активності людини. Методи дослідження – це методи глибокого навчання з генеративним підходом, їх можливості для розв’язання проблеми розпізнавання поведінкової активності людини. Метою роботи є розробка системи розпізнавання активності людини на базі поведінкових даних з давачів носимих пристроїв на основі методів машинного навчання з генеративним підходом на базі автокодувальників. Магістерська дисертація складається зі вступу, чотирьох розділів, переліку джерел посилання та одного додатку. У першому розділі наведений розгляд понять носимих пристроїв, їх використання, актуальність та важливість. У другому розділі наведені види машинного навчання, методи та архітектури, які підходять до вирішення задачі розпізнавання активності. В третьому розділі приводиться розробка архітектури системи, тренування отриманих моделей глибокого машинного навчання і результати. Четвертий розділ включає розробку стартап-проєкту. У додатку наведено код розробленої програми.Документ Відкритий доступ Система підтримки прийняття рішень в прогнозуванні світового туризму з використанням нейронних мереж глибокого навчання(КПІ ім. Ігоря Сікорського, 2024) Джалаганія, Борис Ігорович; Данилов, Валерія ЯковичМагістерська дисертація: с. 90, рис. 12, табл. 22, дод. 1, джерело 16. Обʼєкт дослідження - статистика туристичних потоків Предмет дослідження: застосування методів глибинного навчання та фрактальної інтерполяції в задачі прогнозування в туризмі. Метою роботи є розробка системи підтримки прийняття рішень для туризму що базується на нейронних мережах глибокого навчання, зокрема дослідження ефективності використання фрактально інтерпольованих даних для покращення точності передбачення. Прогнози отримувалися за допомогою глибоких нейронних мереж які були навчені як на регулярних даних, так і на даних що я отримав за допомогою фрактальної інтерполяції. У роботі детально описано суть методів машинного навчання, їх переваги та недоліки а також особливості використання фрактальної інтерполяції для роботи з часовими рядами. Для побудови моделей використовувалась мова програмування Python та її бібліотеки для обробки даних, навчання моделей і візуалізації результатів. Ефективність моделей була оцінена за допомогою метрик помилки, результати подані у вигляді графіків і таблиць. Результатами роботи є система підтримки прийняття рішень яка може використовуватися для аналізу туристичних потоків і допомагати людям у сфері туризму. За допомогою даної СППР користувачі зможуть приймати обґрунтовані рішення для покращення туристичних послуг або оптимізації маршрутів або стратегічного планування.Документ Відкритий доступ Застосування методів якісного аналізу для дослідження та передбачення стану виробничих підприємств(КПІ ім. Ігоря Сікорського, 2024) Гулкевич, Борис Юрійович; Савченко, Ілля ОлександровичДипломна робота: 105 с., 18 рис., 37 табл., 1 додаток, 23 джерела. Об’єкт дослідження: виробниче підприємство як суб’єкт економічної діяльності, його характеристики та можливі рішення щодо нього зацікавлених сторін. Предмет дослідження: методи якісного аналізу, а саме методи перехресного та морфологічного аналізу, а також їхнє спільне використання. Мета роботи: розробка та реалізація програмного продукту для аналізу та прогнозування результатів діяльності виробничого підприємства за допомогою комбінації якісних методів. Було розроблено програмний продукт за допомогою мови програмування Python та інструментарію Qt, який дозволяє проводити аналіз виробничого підприємства та надавати передбачення щодо його стану та рішень, які можуть бути щодо нього прийняті зі сторони керівництва чи держави. Подальшим розвитком дослідження можна вважати допрацювання програмного продукту до повноцінної системи підтримки прийняття рішень, чи розширення комбінування методів аналізу для додаткового аналізу чутливості.Документ Відкритий доступ Персональний тревел-асистент на базі GenAI з інтеграцією API для точного пошуку авіарейсів та подій(КПІ ім. Ігоря Сікорського, 2024) Гула, Тетяна Віталіївна; Мілявський, Юрій ЛеонідовичМагістерська дисертація: 137 с., 12 рис., 20 табл., 1 додаток, 21 джерело. Об’єкт дослідження – тревел-асистент із використанням великих мовних моделей та з інтеграцією сучасних API для пошуку авіарейсів та подій. Предмет дослідження – моделі та алгоритми, що реалізують СППР у тревел-асистенті, зокрема інтеграцію GPT-3.5 та GPT-4 з API Amadeus Air Content і Ama4Dev. Методи оптимізації витрат, підвищення точності відповідей та забезпечення стійкості системи до небажаних маніпуляцій. Мета дослідження – розробка масштабованої СППР для тревел-асистента, яка враховує невизначеність запитів користувачів і конфліктуючі цілі: забезпечення високої точності, зниження витрат та підвищення надійності. Системний підхід дозволяє досягти раціонального рішення, що збалансовує економічну ефективність із якістю та стійкістю роботи асистента. Результати роботи – створено програмний продукт, який забезпечує інтерактивну взаємодію користувачів з чат-ботом для отримання актуальної інформації про подорожі та події. В додатку A наведено лістинг розробленої програми мовою TypeScript, Python з використанням середовища Visual Studio Code та Bot Emulator.Документ Відкритий доступ Система виявлення активності голосу та розпізнавання мови на основі глибоких нейронних мереж(КПІ ім. Ігоря Сікорського, 2024) Заяць, Владислав Андрійович; Данилов, Валерій ЯковичМагістерська дисертація: 95 с., 3 рис., 22 табл., 1 додаток, 30 джерел. Тема: розробка системи виявлення голосової активності та розпізнавання мови на основі глибоких нейронних мереж. Об’єкт дослідження: системи виявлення голосової активності та розпізнавання мови, що забезпечують перетворення аудіопотоку в текст у режимі реального часу за допомогою нейронних мереж. Предмет дослідження: розробка та реалізація системи розпізнавання мови, яка включає модуль виявлення голосової активності (VAD) та систему розпізнавання тексту з аудіопотоку. Мета роботи: дослідити та розробити систему розпізнавання мови, що працює в реальному часі, із використанням глибоких нейронних мереж для ідентифікації голосової активності та перетворення голосового сигналу в текст. Методи дослідження: обробка аудіосигналів, глибокі нейронні мережі, машинне навчання. Актуальність: зростаючий попит на інтерактивні та автономні голосові системи підвищує важливість розробки високоефективних рішень. Використання глибоких нейронних мереж дозволяє досягти високої точності у виявленні голосової активності та розпізнаванні мови. Результати роботи: розроблено модель ResNet50 для виявлення голосової активності (VAD), навчено її з використанням датасету RealVAD. Реалізовано систему розпізнавання мови на основі моделі whisper для конвертації активних аудіофрагментів у текст у режимі реального часу.Документ Відкритий доступ Аналіз ринку криптовалют з використанням методів машинного навчання та теорії ігор(КПІ ім. Ігоря Сікорського, 2024) Івашова, Анастасія Петрівна; Зайченко, Олена ЮріївнаМагістерська дісертація: 100 с., 25 рис., 25 табл., 1 додаток, 28 джерел. Об’єкт досліджень – аналіз ринку криптовалют. Предмет досліджень – методи машинного навчання та теорії ігор. Мета роботи – розробка алгоритму оптимізації стратегії на основі прогнозованих цін купівлі/продажу криптовалюти. У даній роботі присутній огляд предметної області, застосованих методів машинного навчання та теорії ігор; опис створеного програмного забезпечення, тестування за допомогою оцінок якості та реалізація стартап- проекту. Було проведено тестування моделі прогнозування ціни на ринку криптовалют та алгоритм оптимізації стратегії. За допомогою даної моделі та алгоритму вдалося покращити процес трейдингу та зробити його більш ефективним і прибутковим. Програмне забезпечення реалізовано на мові Python, що дозволяє обробляти дані криптовалютного ринку, навчати моделі машинного навчання та аналізувати результати, створюючи обґрунтовану стратегію за допомогою теорії ігор.Документ Відкритий доступ Інтелектуальна система аналізу даних для комплексного управління клієнтським портфелем банку(КПІ ім. Ігоря Сікорського, 2024) Гаврилко, Дар’я Олегівна; Кузнєцова, Наталія ВолодимирівнаМагістерська дисертація: 183 с., 85 рис., 20 табл., 1 додаток, 40 джерел. Розробка інтелектуальної системи аналізу даних для комплексного управління клієнтським портфелем є актуальним науково-практичним завданням, вирішення якого дозволить банкам забезпечити проактивне управління клієнтськими відносинами в умовах цифрової економіки. Об’єкт дослідження: процес комплексного управління клієнтським портфелем банку на основі статистичних даних про користувачів. Предмет дослідження: моделі машинного навчання та методи статистичного аналізу виживання в задачі комплексного управління клієнтським портфелем банку. Мета роботи: побудова системи інтелектуального аналізу даних для прогнозування відтоку користувачів банку, аналізу їх виживання та поведінкових патернів, сегментації клієнтської бази з метою персоніфікації співпраці з ними, на основі методів машинного навчання. Актуальність роботи: розробка ефективних інструментів управління клієнтським портфелем банку, з метою підвищення якості обслуговування клієнтів, мінімізації ризиків їх втрати та корегування стратегій співпраці з користувачами в цілому. В даній роботі було створено програмний продукт мовою Python, а саме: побудовано та проаналізовано моделі прогнозування відтоку, кластеризації даних та аналізу виживання. Фундаментальним етапом стала глибока обробка та первинний аналіз даних, спрямований на виявлення закономірностей у поведінці користувачів.Документ Відкритий доступ Система підтримки прийняття рішень для комплексного аналізу фінансового ринку(КПІ ім. Ігоря Сікорського, 2024) Болдарев, Єгор Андрійович; Кузнєцова, Наталія ВолодимирівнаМагістерська дисертація 107 с., 15 рис., 24 табл., 1 додаток, 17 джерел. Об’єктом дослідження в даній роботі є фінансовий ринок, його складові та процеси. В дослідження фінансового ринку входить його формалізація, визначення його структури і природи та особливостей його процесів. Предметом дослідження є методи аналізу та прогнозування часових рядів динаміки цін на акції на фінансовому ринку. В якості моделей, що розглядаються, приймаються сучасні моделі машинного навчання, що активно використовуються для прогнозування часових рядів. Розглядається використання ентропії під час навчання моделей з метою врахування невизначеностей в часових рядах. Метою роботи є реалізація системи підтримки прийняття рішень для комплексного аналізу фінансового ринку. Основною задачею розробленої системи є забезпечення точного прогнозування динаміки фінансових секторів та їх індустрій, а також прогнозування зміни цін активів на основі аналізу історичних даних, використовуючи сучасні моделі машинного навчання. Новизною даної роботи є урахування ентропії, як міри невизначеності процесів фінансового ринку, при прогнозуванні та можливість агрегування результатів на рівні секторів або індустрій для виявлення загальних тенденцій.Документ Відкритий доступ Моделювання та аналіз транспортних потоків для міського трафіку з використанням теорії максимального потоку(КПІ ім. Ігоря Сікорського, 2024) Боднар, Максим Сергійович; Статкевич, Віталій МихайловичМагістерська дисертація: 98 с., 24 рис., 22 табл., 1 додаток, 20 джерел. Об’єкт дослідження – автомобільні транспортні мережі в міських умовах. Предмет дослідження – алгоритми для моделювання транспортних потоків, які дозволяють враховувати такі аспекти міського руху, як рух по смугах та маневри на перехрестях тощо. Мета роботи – розробити та програмно реалізувати алгоритм моделювання транспортної мережі за допомогою методів вирішення задачі про максимальний потік. Метод дослідження – розгляд та аналіз методів моделювання транспортних мереж. Актуальність – дослідження є актуальним, так як швидке зростання міських агломерацій призводить до перевантаження транспортної інфраструктури, заторів та неефективного пересування. Оптимізація транспортних потоків сприяє економічному розвитку, покращенню якості життя мешканців та зменшенню негативного впливу на довкілля. Результати роботи – розроблено та програмно реалізовано на мові програмування Python алгоритм моделювання автомобільних доріг міста Києва, який можна використовувати для знаходження проблемних ділянок мережі. Новизна роботи – розроблено власний алгоритм моделювання, який використовує актуальні дані карти міста з ресурсу OpenStreetMap та, за допомогою методів вирішення задачі про максимальний потік, моделює потік в мережі автомобільних доріг Києва.Документ Відкритий доступ Виявлення та захоплення швидкісних рухомих цілей глибокими нейронними мережами(КПІ ім. Ігоря Сікорського, 2024) Бєздєтний, Даніїл Дмитрович; Данилов, Валерій ЯковичДипломна робота: 103 с., 23 рис., 22 табл., 28 джерел, 2 додатка. Об’єктом дослідження є швидкісні рухомі об’єкти. Предметом дослідження є алгоритми виявлення, трекінгу та вимірювання відстані до швидкісних об’єктів, які базуються на використанні глибоких нейронних мереж у поєднанні з алгоритмами трекінгу та стереоскопічними методами. Метою роботи є розробка та експериментальна перевірка інтегрованого підходу до виявлення, трекінгу та вимірювання відстані до швидкісних рухомих об’єктів у реальному часі на основі сучасних моделей глибокого навчання та алгоритмів тривимірного аналізу простору. У роботі проаналізовано історичний розвиток технологій комп’ютерного зору, еволюцію методів детекції й трекінгу, а також роль апаратного забезпечення, такого як GPU та FPGA, у забезпеченні продуктивності. Досліджено сучасні алгоритми виявлення та відстеження, включно з Zero-Shot Detectors, Two-Shot Detectors, DeepSORT і ByteTrack. Практична частина роботи включала розробку моделі детекції, базованої на архітектурі YOLO, інтеграцію трекера CSRT і визначення метрик точності, таких як mAP, IOU, Precision, Recall. Програмний продукт розроблено з використанням мови програмування Python.Документ Відкритий доступ Комплексна модель економічної безпеки України(КПІ ім. Ігоря Сікорського, 2024) Биченков, Микола Васильович; Мілявський, Юрій ЛеонідовичМагістерська дисертація 257 с., 71 табл., 79 рис., 57 джерел, 5 додатків. Тема: Комплексна модель оцінки рівня економічної безпеки України. Актуальність: Оцінка рівня економічної безпеки України здійснюється як вітчизняними інституціями, так і міжнародними організаціями. Оцінки рівня економічної безпеки є різними та іноді суперечливими. Виходячи з того, що оцінювання, яке здійснюється даними організаціями є науковим та неупередженим, робиться висновок про різні точки зору на один і той самий процес. Тому, бажано розробити комплексну модель оцінки рівня економічної безпеки України, яка буде враховувати досвід оцінювання рівня економічної безпеки України як вітчизняних, так і міжнародних організацій. Під час виконання роботи було створено інформаційну систему підтримки прийняття рішень із застосуванням мови програмування Python. Мета: Комплексна оцінка рівня економічної безпеки держави для визначення її стану та перспективних напрямків її розвитку. Завдання: Розробити комплексну модель оцінки рівня економічної безпеки України з урахуванням в моделі досвіду оцінювання показників економічного розвитку як вітчизняних, так і міжнародних організацій. Об’єкт: економічна безпека України. Предмет: розроблення комплексної моделі економічної безпеки України для ранжування заходів за пріоритетністю з ціллю підвищення рівня економічної безпеки в майбутньому. Методи дослідження: дослідження проводилося із застосуванням методів моделювання (МНК, МГУА), прогнозування (Хольта, АРІКС та МГУА), метод отримання узгодженої експертної оцінки (метод редукторів степенів свободи), а також були застосовані елементи сценарного аналізу.Документ Відкритий доступ Підхід щодо моделювання вартості акцій по закриттю біржового ринку із використанням нейронних мереж(КПІ ім. Ігоря Сікорського, 2024) Гирила, Степан Ігорович; Савастьянов, Володимир ВолодимировичЗагальний обсяг роботи: 108 с., 39 рис., 21 табл., 2 дод., 33 джерела. Об’єкт дослідження: відкриті дані про торги акціями на фондовому ринку. Мета дослідження: дослідження ефективності існуючих моделей для прогнозування вартості акцій на фондовому ринку, виявлення їх сильних та слабких сторін у контексті волативності ринку. Актуальність дослідження: прогнозування вартості акцій на фоні зростаючої волативності фондових ринків є важливою темою для інвесторів та трейдерів. Дослідження спрямоване на аналіз ефективності популярних методів машинного навчання, включно з алгоритмами глибокого навчання, у контексті підвищення точності прогнозів вартості акцій за умов зростаючої волативності ринків. У його рамках передбачено вивчення сучасних моделей прогнозування вартості акцій із оцінкою їх результативності за різного рівня волативності вхідних даних. Також увагу буде приділено виявленню існуючих вад і обмежень поширених методів прогнозування. У даній роботі буде представлена програмна реалізація багатошарової нейронної мережі, мережі довгої короткочасної пам’яті та методу Random Forest. Для реалізації було обрано мову програмування Python (версія 3.9.12) та середу розробки Jupyter Notebook.Документ Відкритий доступ Розробка інструментарію аналізу даних для підтримки прийняття рішень на основі текстових повідомлень(КПІ ім. Ігоря Сікорського, 2024) Паутинка, Олександра Володимирівна; Савастьянов, Володимир ВолодимировичМагістерська дисертація: 137 с., 29 рис., 27 табл., 2 дод., 25 джерела. Об’єктом дослідження є процеси аналізу текстових даних, спрямовані на екстракцію фактів, оцінку загроз та інтеграцію результатів у експертну систему. Предметом дослідження є методи автоматизованої екстракції даних, алгоритми класифікації інформації для оцінки рівня загроз і використання сучасних великих мовних моделей (LLM), зокрема модель Gemma. Метою роботи є розробка інструментарію для автоматизації аналізу текстових повідомлень, який забезпечує екстракцію фактів, оцінку загроз та підтримку прийняття стратегічних рішень. Робота базується на використанні методів обробки природної мови (NLP), нейронних мереж та великих мовних моделей (LLM), а також застосування математичних моделей для ранжування загроз. У межах дослідження проаналізовано сучасні методи обробки текстових даних та розроблено нейромережеву систему факт-екстракції для виділення ключових елементів текстів і їх інтеграції у систему підтримки рішень. Інтеграція LLM Gemma, підвищила точність і швидкість валідації фактів Система використовує алгоритми для оцінки загроз, що дозволяє ранжувати ризики для підтримки прийняття рішень у кризових ситуаціях. Наукова новизна роботи полягає у розробці нового підходу до аналізу даних для оцінки загроз, що включає інтеграцію LLM, зокрема Gemma. Запропонований підхід забезпечує точну автоматизацію факт-екстракції, оцінку загроз та ранжування ризиків, дозволяючи оптимізувати процеси підтримки прийняття рішень у кризових та стратегічних ситуаціях.Документ Відкритий доступ Інструментарій аналізу контекстуальних взаємозв'язків технологій у текстових даних з використанням LLM і графових структур(КПІ ім. Ігоря Сікорського, 2024) Петренко, Микола Миколайович; Савастьянов, Володимир ВолодимировичМагістерська дисертація: 102 с., 7 рисунку, 20 табл., 2 дод., 17 джерел. Темою роботи є використання великих мовних моделей (LLM) та графів знань (KG) для аналізу контекстуальних взаємозв’язків у текстових даних. Об’єктом дослідження є механізм інтеграції LLM із графами знань. Предметом дослідження є контекстуальні взаємозв’язки між технологіями, що можуть бути вилучені з текстових даних за допомогою LLM і графових структур. Метою даної роботи є створення інструментарію для аналізу текстових даних, що забезпечує моделювання взаємозв’язків між технологіями, загрозами, сильними сторонами та можливостями. Актуальність роботи пов’язана зі зростанням обсягів текстових даних для аналізу, необхідністю точного врахування контекстуальних взаємозв’язків та інтеграцією структурованих і неструктурованих даних. У результаті роботи було створено інструментарій для аналізу контекстуальних взаємозв’язків, який включає механізми виділення ключових технологій, проведення SWOT-аналізу та графічного представлення взаємозв’язків. Інструментарій реалізовано на основі великих мовних моделей та інтеграції їх із графами знань для забезпечення адаптивності до різних доменів.