Магістерські роботи (ММСА)
Постійне посилання зібрання
Переглянути
Нові надходження
Документ Відкритий доступ Система прогнозування енерговитрат будівель різного призначення(КПІ ім. Ігоря Сікорського, 2023) Дука, Ольга Олексіївна; Данилов, Валерій ЯковичМагістерська дисертація: 114 с., 33 рис., 27 табл., 1 дод., 43 джерел. Об’єкт дослідження: дані про лічильники. Предмет дослідження: методи машинного навчання. Мета роботи: побудова моделей прогнозування розходу електроенергетики у будівлі в залежності від різних параметрів. Методи дослідження: аналіз, порівняння, статистики, дослідження. Актуальність роботи полягає в тому, що розхід електроенергетики важливий при проєктуванні енергоефективних будівель. Програмний продукт реалізований за допомогою мови програмування Python 3.11 у середовищі розробки Jupyter Notebook.Документ Відкритий доступ Розробка моделей оцінювання ризиків зелених проектів(КПІ ім. Ігоря Сікорського, 2024) Шевчук, Олексій Сергійович; Кузнєцова, Наталія ВолодимирівнаМагістерська дисертація: 105 с., 14 рис., 36 табл., 1 дод., 20 джерел. Об’єкт дослідження – ризики інвестування у зелені проекти, способи їх аналізу та оцінки. Предмет дослідження – математичні моделі аналізу та прогнозування ризиків зелених проектів. Мета роботи – дослідити існуючі методи вирішення задачі кредитного скорингу, побудувати моделі вирішення задачі оцінки та прогнозування ризиків зелених проектів. Методи дослідження – логістична регресія, дерева рішень, метод випадкового лісу, градієнтний бустинг, AdaBoost. Актуальність – розробка моделей оцінювання ризикованості зелених проектів з метою вирішення специфічної задачі кредитного скорингу, важливість якої зростає із збільшенням занепокоєнь щодо збереження навколишнього середовища. Результати роботи – було створено на мові програмування Python і протестовано моделі прогнозування ризиків зелених проектів, проведено порівняння ефективності цих моделей. Шляхи подальшого розвитку предмету дослідження – використання нейронних мереж для розв’язання задачі кредитного скорингу зелених проектів, розробка методу розв’язання задачі прогнозування ризиків зелених проектів.Документ Відкритий доступ Моделі оптимального розподілу даних у гетерогенних базах даних у хмарному середовищі(КПІ ім. Ігоря Сікорського, 2024) Шмідт, Анатолій Євгенович; Мухін, Вадим ЄвгеновичМагістерська дисертація: 81 с., 22 рис., 20 табл., 1 додаток, 11 джерел. У цій роботі розглядаються математичні моделі оптимального розподілу даних у різних типах серверних мереж, створюється програмний продукт на мові програмування Python, що реалізує ці моделі. Об’єкт дослідження – розподіл даних у розподілених базах даних. Предмет дослідження – математичні моделі оптимізації розподілу даних в розподілених базах даних. Мета роботи – розробка математичних моделей оптимізації розподілу даних у різноманітних структурах мережі, таких як ієрархічна, кільцева та решітчаста, розробка програмного продукту, що реалізує ці моделі. Актуальність – у контексті зростаючого обсягу даних у сучасному світі, ефективний розподіл і управління ними стає невід'ємною складовою оптимального функціонування різноманітних інформаційних систем. Особливо важливим стає це завдання в рамках різних мережевих структур, таких як ієрархічні, кільцеві та решітчасті мережі. Дослідження спрямоване на створення інноваційних підходів, призначених вдосконалити процеси управління даними в різноманітних мережах. Шляхи подальшого розвитку предмету дослідження – вдосконалення функціоналу, розгляд додаткових моделей, покращення інтерфейсу програми.Документ Відкритий доступ Розв’язання задачі заповнення пропусків даних альтернативними методами при створенні прогнозних моделей(КПІ ім. Ігоря Сікорського, 2024) Попов, Андрій Юрійович; Макаренко, Олександр СергійовичМета роботи – дослідження впливу методів заповнення пропущених даних на результати навчання моделей прогнозування, розробка програмного забезпечення для проведення дослідження. Об’єкт дослідження: методи обробки пропущених даних у задачах аналізу даних. Предмет дослідження: методи заповнення та їх використання у задачах попередньої обробки даних при навчанні моделей прогнозування. Отримані результати – побудоване спеціалізоване програмне забезпечення мовою Python, що надає змогу досліджувати результати роботи методів обробки пропущених даних на наборах даних з різними типами пропусків, а також вплив роботи методів на результативність моделей прогнозування, що використовують зазначені дані для навчання.Документ Відкритий доступ Засоби прогнозування фінансового стану та оцінки інвестиційної привабливості сільськогосподарського підприємства на основі статистичних даних(КПІ ім. Ігоря Сікорського, 2023) Павлуша, Анастасія Олександрівна; Мілявський, Юрій ЛеонідовичОб’єкт дослідження – фінансовий стан сільськогосподарського підприємства. Мета роботи – спрогнозувати фінансовий стан та оцінити інвестиційну привабливість сільськогосподарського підприємства на основі статистичних даних. Предмет дослідження – моделі та прогнози стану підприємства на основі історичних даних, сценарії для покращення роботи підприємства. Моделі – досліджувались моделі авторегресії різних порядків, з додаванням регресорів, з додаванням регресорів та тренду, порівнювались отримані оцінки для побудованих моделей. Отримані результати – побудований прогноз прибутку сільськогосподарського підприємства, можливі сценарії розвитку підприємства для збільшення майбутнього прибутку. Практичне значення отриманих результатів – проведення дослідження можливості виходу на ринок з отриманою технологією, аналіз потенційних клієнтів, побудова можливих перспектив розвитку та прикладного використання отриманих результатів.Документ Відкритий доступ Інтелектуальні засоби підтримки автоматизації управління бізнес процесами(КПІ ім. Ігоря Сікорського, 2024) Тагільцев, Дмитро Ігорович; Мухін, Вадим ЄвгеновичОб’єкт дослідження: методи та моделі організації, управління та аналізу бізнес процесів. Предмет дослідження: моделі нейронних мереж та машинного навчання для прогнозування рівня заробітної плати працівника. Мета роботи: збір та підготовка вхідних даних про працівників та розробка моделей, за допомогою яких можна прогнозувати рівень заробітної плати. Під час виконання роботи були створені моделі машинного навчання та нейронних мереж для прогнозування рівня заробітної плати працівника. Для реалізації програмного продукту було використано мову програмування Python. Моделі розроблялись за допомогою бібліотек scikit-learn та keras. Для навчання моделей використовувався датасет з ресурсу Employee Productivity and Satisfaction HR Data з ресурсу kaggle.Документ Відкритий доступ Система оцінки та прогнозування кредитних ризиків у банківському секторі(КПІ ім. Ігоря Сікорського, 2024) Сумін, Олександр Олександрович; Шубенкова, Ірина АнатоліївнаУ світлі зростання попиту на кредитування, передбачення кредитних ризиків стає пріоритетним завданням для банків та інших кредитних установ. Прогнозування дефолту та оцінка кредитних збитків визначають основні аспекти кредитної політики, спрямовані на забезпечення фінансової стійкості та відповідального кредитування. В даному контексті використовуються різноманітні методи, серед цих методів важливе місце належить статистичним моделям та методам машинного навчання. Сучасні технології дозволяють аналізувати обширні фінансові дані та враховувати низку факторів, що впливають на кредитоспроможність клієнтів. Об’єкт дослідження: процес кредитування та управління кредитними ризиками для забезпечення фінансової стабільності банків, підприємств та держави. Предмет дослідження: моделі машинного навчання та методи статистичного аналізу виживаності в задачі прогнозування та оцінки кредитних ризиків. Мета роботи: розробка ефективної стратегії управління кредитним ризиком за допомогою прогнозування дефолту та збитків в банківській сфері за допомогою машинного навчання та статистичних методів аналізу виживаності. На мові Python створено програмний продукт для прогнозування та оцінки кредитних ризиків.Документ Відкритий доступ Система аналізу впливу кластеризації на якість рішень в моделях штучного інтелекту(КПІ ім. Ігоря Сікорського, 2024) Симонов, Єгор Денисович; Макаренко, Олександр СергійовичОб’єкт дослідження – моделі кластеризації текстових даних та нейронні мережі. Предмет дослідження – взаємозв'язок методів кластеризації та процесу прийняття рішень у системах з використанням штучного інтелекту. Мета магістерської дисертації – дослідити взаємозв’язок між методами класифікації та ефективністю процесу прийняття рішень у системах з використанням штучного інтелекту, оцінюючи рівень впливу кожного методу. Актуальність роботи полягає у тому, що кількість систем, які використовують методи штучного інтелекту, стрімко зростає. Разом з цим зростає попит на обробку великих обсягів даних, зокрема, текстових, так як природна мова залишається найбільш зручним способом передачі та отримання інформації. Кластеризація даних є ключовим етапом у навчанні моделей такого типу, допомогаючи створювати ознаки для точних прогнозів. Програмна реалізація виконана за допомогою мови програмування Python 3.10.2 та середовища розробки Visual Studio Code. Дослідження показало вплив різних алгоритмів кластеризації на точність прогнозів моделей штучного інтелекту. Виявлено оптимальні параметри та моделі кластеризації, які сприяють підвищенню точності моделей штучного інтелекту, та проаналізовано вплив зміни кількості кластерів на якість отриманої інформації для прийняття рішень.Документ Відкритий доступ Прогнозування кредитної спроможності клієнтів банку на основі аналізу фінансових даних(КПІ ім. Ігоря Сікорського, 2024) Петровський, Вадим Євгенович; Гуськова, Віра ГеннадіївнаОб’єкт дослідження: показник кредитоспроможності клієнтів банку. Предмет дослідження: інтелектуальний аналіз даних, математична статистика, методи прогнозування, методи оцінки коректності, методи оцінки значущості змінних. Метою роботи є розробка моделі для оцінки кредитоспроможності клієнтів банку на основі фінансових даних з попередньою оцінкою значущості атрибутів з використанням методів інтелектуального аналізу даних, математичної статистики та аналізу часових рядів. Попереднє дослідження проблеми показало її актуальність в теперішньому часі через широку залученість взаємодії з банківським сектором і необхідність для банку оцінювання кредитоспроможності кожного клієнту банку для мінімізації кредитних ризиків, пов’язаних з неповерненням позик клієнтами банків. Було розроблено програмний продукт з використання web-технологій та сучасних високорівневих мов програмування JS і Python. Створений продукт зручний для користувача через зрозумілий дружній для користувача інтерфейс. Продукт допускає подальший розвиток за допомогою залучень нових методів, метрик та їх комбінацій для оцінювання та прогнозування.Документ Відкритий доступ Чат-бот як середовище розгортання системи підтримки прийняття рішень: приклад телеграм-боту по наданню рекомендацій щодо вибіркових дисциплін(КПІ ім. Ігоря Сікорського, 2024) Харабара, Денис Вікторович; Статкевич, Віталій МихайловичАктуальність: чат-боти, як канали вирішення проблем уже не перший рік широко використовуються компаніями задля пришвидшення та спрощення комунікації із клієнтами. Тому їх використання, в поєднанні із рекомендаційними системами, є чудовим підходом до вирішення буденних дилем, зокрема дилеми отримання рекомендацій щодо вибіркових дисциплін. Об’єкт дослідження: процес створення рекомендаційних систем. Предмет дослідження: рекомендаційні системи що базуються на колаборативній фільтрації, їх поєднання із чат-бот платформами. Мета дослідження: дослідити системи підтримки прийняття рішень, зокрема рекомендаційні системи, що базуються на колаборативній фільтрації, знайти шляхи їх поєднання із чат-бот платформами, задля створення комплексного підходу по вирішенню рутинних дилем. Результат дослідження: демонстрація зручності та швидкості використання рекомендаційної системи, що інтегрована в чат-бот. Наукова новизна дослідження: спроектовано, розроблено та протестовано програмну реалізацію рекомендаційної системи на базі телеграм-боту, що ґрунтуються на колаборативній фільтрації, із використанням хмарного середовища розробки Corezoid.Документ Відкритий доступ Порівняльний аналіз та покращення моделей прогнозування цін акцій на фінансовому ринку(КПІ ім. Ігоря Сікорського, 2024) Муравльов, Андрій Дмитрович; Гуськова, Віра ГеннадіївнаЗагальний обсяг роботи: 83 с., 7 рис., 22 табл., 1 дод., 23 джерела. Об’єкт дослідження: відкриті дані торгівлі акціями. Предмет дослідження: прогностичні моделі та методи для прогнозу цін акцій та їх точність. Мета дослідження: дослідження ефективності існуючих моделей прогнозування цін на акції, виявлення їх сильних і слабких сторін та надання рекомендацій щодо підвищення точності прогнозування. Актуальність дослідження: точне прогнозування цін на акції є важливим для інвесторів, фінансових аналітиків і політиків для прийняття обґрунтованих рішень. Завдання дослідження. 1. Методи машинного навчання: дослідити застосовність та ефективність передових методів машинного навчання, в тому числі алгоритмів глибокого навчання, для підвищення точності прогнозування цін на акції. 2. Порівняльний аналіз: провести поглиблений аналіз найвідоміших моделей прогнозування цін на акції, оцінивши їх ефективність за різних ринкових умов та часових рамок. 3. Виявлення обмежень: вивчити обмеження і недоліки існуючих моделей, визначити сфери, які потребують вдосконалення для покращення можливостей прогнозування. 4. Валідація та тестування: детально перевірити запропоновані удосконалення за допомогою комплексного тестування на основі історичних даних та реальних ринкових сценаріїв.Документ Відкритий доступ Порівняльний аналіз моделей для методів прогнозування(КПІ ім. Ігоря Сікорського, 2024) Макухін, Євген Ігорович; Макаренко, Олександр СергійовичМагістерська дисертація: 91 с., 18 рис., 22 табл., 1 додаток, 16 джерел. Тема магістерської дисертації: «Порівняльний аналіз моделей для методів прогнозування». Мета роботи – порівняння різних моделей для методів прогнозування. Об’єкт дослідження: методи прогнозування часових рядів. Предмет дослідження: моделі для методів прогнозування. Отримані результати – побудоване спеціалізоване програмне забезпечення мовою Python, що надає змогу досліджувати результати роботи моделей для методів прогнозування, а також дає можливість порівняти результати їх прогнозів. Для порівняння прогнозів, були розглянуті різні математичні методи та моделі машинного навчання, які використовуються для вирішення практичних завдань аналізу та прогнозування нестаціонарних процесів. Такими є модель авторегресії інтегрованого ковзного середнього ARIMA, LSTM, N-BEATS та ансамблева модель.Документ Відкритий доступ Аналіз відкритих даних про якість повітря в міському середовищі та розробка прогностичних моделей для прогнозу забруднення повітря в місті(КПІ ім. Ігоря Сікорського, 2024) Луцкер, Ростислав Олегович; Гуськова, Віра ГеннадіївнаМагістерська дисертація: 81 с., 17 рис., 19 табл., 1 дод., 36 джерела. Об’єктом дослідження є відкриті дані про якість повітря в міському середовищі. Предметом дослідження є прогностичні моделі для прогнозу якості повітря, наближеного до історично виміряних даних. Метою дослідження є розробка та вдосконалення методів моніторингу та прогнозування якості повітря в урбанізованому середовищі. Дослідження спрямоване на розробку ефективних моделей, інтеграцію відкритих даних, оцінку та порівняння їхньої точності. Основний акцент робиться на розробці та дослідженню моделей, призначених для покращення ефективності моніторингу та прийняття рішень в галузі охорони довкілля та громадського здоров'я. Завдання дослідження. 1. Аналіз стану якості повітря. Провести детальний огляд даних про якість повітря, які були зібрані у відкритих джерелах. Визначити основні забруднювачі та їх концентрації в міському середовищі. 2. Розробка прогностичних моделей. Вибрати підходи та методи для побудови прогностичних моделей. Визначити змінні, які впливають на якість повітря, та розглянути їхню взаємодію. Реалізувати прогностичні моделі для прогнозування концентрацій забруднювачів. 3. Оцінка та порівняння моделей. Здійснити оцінку точності та ефективності розроблених прогностичних моделей та провести порівняльний аналіз результатів моделей. 4. Розроблення програмного продукту на мові програмування Python.Документ Відкритий доступ Інтелектуалізована система вибору S-моделей зростання економіки(КПІ ім. Ігоря Сікорського, 2024) Кузьмінчук, Анатолій Володимирович; Лопатін, Олексій КостянтиновичМагістерська дисертація містить 130 с., 25 табл., 38 рис., 1 додаток, 21 джерело. Актуальність теми: дане дослідження є актуальним, адже економічне зростання є важливою характеристкою економічних процесів і можливість прогнозування цієї характеристики, дозволяє спростити аналітичну роботу та отримати більш якісні результати. Об’єкт дослідження: математичні об’єкти, а саме двохфакторні агреговані S-криві економічного зростання. Предмет дослідження: прогнозування двохфакторних агрегованих S-кривих економічного зростання. Мета дослідження: створення інтелектуальної системии підтримки прийняття рішень (ІСППР) для допомоги в прогнозуванні двохфакторних агрегованих S-кривих економічного зростання. Постановка задачі: основною поставленою задачею було створення ІСППР, яка дозволить з певною точністю моделювати двохфакторні агреговані S-криві економічного зростання за наданим набором даних. За допомогою мови програмування Python та графічного інструменту PyQt було створенно ІСППР, яка на наборі вхідних даних економічної складової, дозволяє виконати прогнозування за допомогою S-кривих економічного зростання.Документ Відкритий доступ Автоматична сегментація об'єктів на зображеннях за допомогою напівкерованого навчання з використанням активного навчання та стабільної дифузії(КПІ ім. Ігоря Сікорського, 2024) Крутій, Іван Віталійович; Шаповал, Наталія ВіталіївнаМагістерська дисертація: 109 с., 8 рис., 19 табл., 1 додаток, 24 джерела. Тема дисертації: «Автоматична сегментація об'єктів на зображеннях за допомогою напівкерованого навчання з використанням активного навчання та стабільної дифузії». Об’єкт дослідження - набір даних DeepGlobe Road Extraction Dataset, що складається з 6226 супутникових зображень доріг для навчання. Набір даних також включає 1243 валідаційних та 1101 тестових зображень. Мета роботи - розробити модель напівкерованого навчання, яка використовує методи активного навчання та стабільної дифузії для автоматичної сегментації об'єктів на супутникових знімках, зосереджуючись на виділенні доріг. Метод дослідження - підходи напівкерованого навчання, стратегії активного навчання та процеси стабільної дифузії. Програмна реалізація методу виконана в середовищі Python 3.8. Предметом дослідження є сегментація зображень методом напівкерованого навчання, зокрема, для виділення доріг на супутникових знімках. Це включає вирішення таких проблем, як недосконала анотація та відсутність анотацій для певних типів доріг. Отримані результати: розроблено модель, яка може автоматично сегментувати дороги на супутникових знімках. Ця модель здатна працювати з недосконалими позначками та неанотованими об'єктами, що робить її надійною для практичного застосування в аналізі супутникових знімків.Документ Відкритий доступ Моделювання і прoгнoзувaння нелінійних прoцeciв у фiнaнcoвій сфері(КПІ ім. Ігоря Сікорського, 2024) Костенко, Максим Олегович; Кузнєцова, Наталія ВолодимирівнаМaгicтeрcькa диceртaцiя: 91 c., 23 риc., 25 тaбл., 1 дод., 23 джeрeла. Об'єкт дослідження – нелінійні нестаціонарні процеси на фондовому ринку. Предмет дослідження – математичні моделі прогнозування нелінійних нестаціонарних часових рядів, оцінювання та аналіз якості прогнозу. Мeтoди дocлiджeння – рeгрeciйний aнaлiз, методи мoдeлювaння i прoгнoзувaння чacoвиx рядiв, сучасні штучні нейроні мережі для прогнозування. Мета дослідження – дослідження математичних методів та побудова моделей для прогнозування динаміки ціноутворення акцій на фондовому ринку. Проведене теоретичне дослідження фокусувалося на аналізі нелінійних фінансових процесів, використовуючи моделі ARIMA, LSTM та NARX. У ході дослідження детально розглядались особливості цих моделей для моделювання та прогнозування динаміки часових рядів на фінансових ринках. Наголошено на використанні цих моделей для аналізу та прогнозування нелінійних змін у фінансовій сфері, зокрема в контексі відсутності потрібної кількості даних. Описане дослідження спрямоване на розуміння та моделювання складних, нелінійних взаємодій, які характеризують фінансові процеси, та використання відповідних математичних інструментів для прогнозування та управління цими процесами.Документ Відкритий доступ Моделі інтелектуального аналізу даних для оцінювання фінансових даних(КПІ ім. Ігоря Сікорського, 2024) Коваленко, Олександр Максимович; Гуськова, Віра ГеннадіївнаМагістерська дисертація: 82 с., 22 табл., 10 рис., 1 дод., 19 джерел. Об’єкт дослідження: фінансові дані, а саме записи продажів акцій фондового ринку. Предмет дослідження: прогнозування зростання/спадання курсу продажів. Метою роботи є дослідження і створення моделей та розробка ефективних методів і алгоритмів інтелектуального аналізу фінансових даних з задачею прогнозування. Постановка задачі: основною поставленою задачею було створення і порівняння моделей інтелектуального аналізу фінансових даних для дослідження їх ефективності. Результатом роботи є програмний продукт розроблений з використанням мови програмування Python, що приймає індекс компанії і прогнозує подальшу ціну акції.Документ Відкритий доступ Система підтримки прийняття рішень для оптимізації рекламних кампаній підприємства на основі методу моделювання впливу з залежним представленням даних(КПІ ім. Ігоря Сікорського, 2023) Заіка, Богдан Юрійович; Терентьєв, Олександр МиколайовичМагістерська дисертація: 93 с., 32 рис., 24 табл., 1 додаток, 22 джерела. Актуальність роботи зумовлена необхідністю для підприємства оперативного формування списків потенційно прибуткових клієнтів для комунікації на основі даних про учасників попередніх схожих рекламних кампаній. Основною перевагою розглянутих методів моделювання впливу є використання даних і тестової, і контрольної груп на відміну від традиційних методів моделювання. Об’єктом дослідження є дані про учасників рекламної кампанії підприємства. Предметом дослідження є методи моделювання впливу взаємодії з клієнтами на виконання ними цільової дії та критерії оцінки якості створених моделей впливу. Метою роботи є порівняльний аналіз методу моделювання впливу з залежним представленням даних з іншими методами моделювання впливу та формування на їх основі системи підтримки прийняття рішення, яка дозволяє проаналізувати дані, натренувати на їх основі моделі впливу, порівняти їх та використати найкращу на новому наборі даних. Результатом роботи є створення системи підтримки прийняття рішень для моделювання впливу рекламних кампаній на користувачів. Програмний продукт реалізовано на мові програмування Python з використанням бібліотеки Streamlit для формування інтерфейсу.Документ Відкритий доступ Модель управління ресурсами гетерогенних баз даних в хмарному середовищі(КПІ ім. Ігоря Сікорського, 2024) Зайцев, Олексій Володимирович; Мухін, Вадим ЄвгеновичМагістерська дисертація: 79 с., 12 рис., 22 табл., 1 дод., 18 джерел. МОДЕЛЬ УПРАВЛІННЯ РЕСУРСАМИ ГЕТЕРОГЕННИХ БАЗ ДАНИХ В ХМАРНОМУ СЕРЕДОВИЩІ Метою роботи є розробка моделі оцінювання часових витрат у гетерогенній розподіленій базі даних. Об’єктом дослідження є гетерогенні розподілені бази даних. Предметом дослідження є математичні моделі організації та оцінки гетерогенних розподілених баз даних. У процесі виконання роботи було розроблено модель для оцінки витрат часу на обробку запитів користувачів у розподіленій гетерогенній базі даних, що може складатися з вузлів різних параметрів продуктивності. Модель враховує поточну завантаженість системи запитами. Було створено програмний комплекс мовою програмування JavaScript, як дозволяє візуалізувати структуру системи за допомогою графів. Програмний комплекс також забезпечує оцінку часу обробки інформаційного запиту та надає рекомендації для зменшення часових витрат за рахунок змін у конфігурації системи. В межах подальшого дослідження пропонується розробити алгоритм розподілу навантаження для системи з урахуванням параметрів потужності вузлів.Документ Відкритий доступ Система прогнозування метеорологічних умов на основі методів аналізу даних та штучного інтелекту(КПІ ім. Ігоря Сікорського, 2024) Іванійчук, Арсен Павлович; Гуськова, Віра ГенадіївнаМагістерська дисертація містить 76 с., 14 табл., 18 рис., 1 додаток, 23 джерела. Актуальність теми: актуальність теми полягає у значній перспективності застосування новітніх досягнень у сфері штучного інтелекту та аналізу даних для прогнозування метеорологічних умов. Проблема отримання точного прогнозу погодних умов є та залишатиметься дуже важливою через значний вплив на усі аспекти життя. Об’єкт дослідження: метеорологічні дані. Предмет дослідження: розробка і валідація моделей штучного інтелекту, здатних точно прогнозувати метеорологічні умови. Мета дослідження: створення системи прогнозування метеорологічних показників на основі моделей та методів штучного інтелекту. Постановка задачі: основною поставленою задачею було створення системи прогнозування метеорологічних показників на основі моделей та методів штучного інтелекту, яка б дозволила отримувати надійний прогноз бажаних показників. За допомогою мови програмування Python було створено бажану систему, яка на наборі вхідних даних про метеорологічні показники дозволяє виконати прогнозування за допомогою моделі LSTM.