Магістерські роботи (ММСА)

Постійне посилання зібрання

Переглянути

Нові надходження

Зараз показуємо 1 - 20 з 389
  • ДокументВідкритий доступ
    Генеративні нейронні мережі для задач комп’ютерного зору на прикладі текстур для комп’ютерних ігор
    (КПІ ім. Ігоря Сікорського, 2024) Черкасов, Євген Валерійович; Мілявський, Юрій Леонідович
    Магістерська дисертація: 137 с., 26 рис., 24 табл., 99 джерел, 2 додатки. Об'єкт дослідження – процес генерації текстур для персонажів комп'ютерних ігор. Мета роботи – розробка та реалізація методів генеративних нейронних мереж для створення текстур персонажів комп'ютерних ігор. Методи дослідження – аналіз наукової літератури, веб-скрапінг, експериментальне моделювання, порівняльний аналіз архітектур нейронних мереж, візуальна та кількісна оцінка якості згенерованих текстур. У роботі проведено аналіз сучасних підходів до генерації текстур, розроблено та протестовано три архітектури генеративних моделей: GAN, C-GAN-WP та дифузійну модель. Створено один з найбільших наборів даних текстур Minecraft (773,971 зразків). Розроблено програмний продукт на мові Python з використанням фреймворків PyTorch та TensorFlow для генерації текстур персонажів. Результати роботи впроваджено у формі GAN моделі для автоматизованої генерації текстур. Розроблені моделі можуть бути використані розробниками ігор та творцями модифікацій для швидкого створення якісних текстур персонажів.
  • ДокументВідкритий доступ
    Застосування методів машинного навчання для прогнозування та аналізу тенденцій на ринку нерухомості
    (КПІ ім. Ігоря Сікорського, 2024) Хоменко, Марина Олексіївна; Левенчук, Людмила Борисівна
    Магістерська дисертація: 88 с., 19 табл., 19 рис., 1 дод., 17 джерел. Ця магістерська дисертація присвячена розробці та застосуванню методів машинного навчання для прогнозування та аналізу тенденцій на ринку нерухомості України, зокрема в умовах воєнного стану. Основну увагу приділено створенню ефективного алгоритму для оцінки вартості оренди житла на основі багатофакторного аналізу. Метою роботи є розробка універсального алгоритму прогнозування цін оренди нерухомості з урахуванням кількісних і якісних факторів, що впливають на ринок, зокрема в умовах значної соціально-економічної нестабільності. Об’єктом дослідження є ринок нерухомості України, а предметом – процеси прогнозування цін оренди житла із використанням сучасних методів машинного навчання. Для досягнення поставленої мети використано такі методи дослідження, як алгоритми машинного навчання (лінійна регресія, метод опорних векторів, дерева рішень), методи збору й обробки даних, а також аналіз точності моделей за метриками середньоквадратичної похибки (MSE), коефіцієнта детермінації (R²) та інших показників. Практична цінність роботи полягає в створенні алгоритму, який дозволяє виконувати якісний прогноз вартості оренди житла в динамічних умовах ринку, адаптувати розроблену модель до аналізу інших ринків нерухомості та умов. Алгоритм може бути інтегрований у програмні продукти, які використовуються для підтримки прийняття рішень у сфері інвестицій, управління ризиками та стратегічного планування. Запропонована модель також слугує основою для розробки стартап-проектів у сфері нерухомості.
  • ДокументВідкритий доступ
    Породжувальні моделі та методи глибокого навчання для формування зображень
    (КПІ ім. Ігоря Сікорського, 2024) Ланько, Анна Анатоліївна; Недашківська, Надія Іванівна
    Магістерська дисертація: 100 с., 27 рис., 29 табл., 1 додаток, 41 джерело. У даній роботі розглядаються породжувальні моделі та методи формування зображень на прикладі збільшення роздільності зображень. Проводяться експерименти з власної реалізації моделей SRGAN, VDSR, DRCN, SRCNN та використання технології їх донавчання, здійснюється аналіз результатів та визначається оптимальна модель на основі кількісних та перцепційних показників якості, технічних критеріїв та візуальної оцінки. Об’єкт дослідження – високороздільні зображення, породжені методами глибокого навчання. Предмет дослідження – архітектура та навчання породжувальних моделей та глибоких серед для збільшення роздільності. Метою даної роботи є власна реалізація відомих моделей SISR з більш простою архітектурою та застосування технології донавчання з тонким налаштуванням для знаходження оптимальної за сукупністю показників моделі збільшення роздільності зображень. Наукова новизна роботи полягає у визначенні алгоритмів навчання та об’єктивного оцінювання результатів для забезпечення гнучкості проведення експериментів, оптимізації використання обчислювальних ресурсів, вибору оптимальної моделі для різних вихідних даних та пріоритетних потреб задачі за сукупністю критеріїв. Результатом роботи є програмний продукт для збільшення роздільності зображень, розроблений засобами мови програмування Python.
  • ДокументВідкритий доступ
    Розробка програмного додатку для консультування інвесторів з використанням методів текстової аналітики та машинного навчання
    (КПІ ім. Ігоря Сікорського, 2024) Маринич, Антон Юрійович; Кузнєцова, Наталія Володимирівна
    Магістерська дисертація: 84 с., 17 рис., 20 табл., 1 дод., 16 джерел. Тема: Розробка програмного додатку для консультування інвесторів з використанням методів текстової аналітики та машинного навчання. Об'єкт дослідження: процес консультування інвесторів щодо прийняття інвестиційних рішень з використанням методів машинного навчання та обробки природної мови. Предмет дослідження: методи та алгоритми аналізу фінансових текстів та даних для надання персоналізованих інвестиційних рекомендацій. Мета роботи: розробка програмного додатку для консультування інвесторів. Методи дослідження: обробка природної мови, машинне навчання та нейронні мережі для прогнозування. Актуальність: розроблений програмний додаток може бути використаний як індивідуальними інвесторами, так і фінансовими консультантами для отримання обґрунтованих інвестиційних рекомендацій на основі аналізу різноманітних джерел даних. Результати роботи: розроблений програмний додаток на мові програмування Python, який надає персоналізовані інвестиційні рекомендації на основі аналізу фінансових новин та ринкових даних.
  • ДокументВідкритий доступ
    Антифрод-система для ідентифікації шахрайських карткових транзакцій
    (КПІ ім. Ігоря Сікорського, 2024) Негуляєв, Нікіта Єгорович; Недашківська, Надія Іванівна
    Магістерська дисертація: 147 с., 6 рис., 44 табл., 85 джерел, 1 додаток. У магістерській дисертації досліджено проблему виявлення шахрайських карткових транзакцій з використанням методів машинного навчання. Розроблено антифрод-систему на основі ансамблю моделей, що поєднує рекурентні нейронні мережі (LSTM, GRU) та градієнтний бустинг (LightGBM, XGBoost). Проведено комплексний аналіз та підготовку даних, включаючи feature engineering та вирішення проблеми незбалансованості класів. Система досягла точності виявлення шахрайських транзакцій на рівні 91%, що підтверджує ефективність запропонованого підходу. Розроблено стартап-проект для комерціалізації системи, включаючи аналіз ринку та маркетингову стратегію.
  • ДокументВідкритий доступ
    Система пошуку аномалій методами глибоких нейронних мереж та багатокритеріальної підтримки прийняття рішень
    (КПІ ім. Ігоря Сікорського, 2024) Петькун, Олександр Юрійович; Недашківська, Надія Іванівна
    Магістерська робота: 93 c., 20 рис., 20 табл., 1 дод., 18 джерел Тема: система пошуку аномалій методами глибоких нейронних мереж та багатокритеріальної підтримки прийняття рішень. Об’єкт дослідження: система пошуку аномалій для знаходження підозрілих/відмінних даних у наборі даних за допомогою глибоких нейронних мереж. Мета роботи: дослідити можливості використання нейронних мереж та супутніх підходів для розробки та ефективного управління системами пошуку аномалій. Методи дослідження: нейронні мережі, бінарна класифікація, згорткові нейронні мережі, автокодувальники, багатокритеріальні системи підтримки прийняття рішень. Результати роботи: був створений програмний додаток, написаний мовою програмування Python, котрий, в залежності від вибору користувача, приймає на вхід датасети Brain Tumor Classification Dataset та Credit Card Fraud Detection, що дозволяє користувачу знаходити аномалій у наборах даних (текстових або зображень) та застосовувати багатокритеріальний метод підтримки прийняття рішення задля обрання найбільш об’єктивних результатів. Крім того, був проведений порівняльний аналіз роботи обох нейронних мереж і визначення кращої із них. Отже, побудована програма дає змогу визначити загрозу з великою точністю в незалежності від типу вхідних даних.
  • ДокументВідкритий доступ
    Операційні ризики, методи іх оцінки, запобігання та прогнозування
    (КПІ ім. Ігоря Сікорського, 2024) Титаренко, Всеволод Юрійович; Левенчук, Людмила Борисівна
    Магістерська дисертація: 134 с., 19 рис., 42 табл., 1 додаток, 43 джерела. Мета роботи – розробка системи прогнозування операційних ризиків на основі методів машинного навчання та створення життєздатного стартап-проекту для впровадження цієї системи у промисловому секторі. Об'єкт дослідження – процеси виникнення та розвитку операційних ризиків у складних технічних системах. Предмет дослідження – методи та алгоритми машинного навчання для прогнозування технічного стану обладнання та оцінки операційних ризиків. Методи дослідження – методи статистичного аналізу, машинного навчання, feature engineering, методи валідації моделей, методи проектного менеджменту та бізнес-планування. У роботі досліджено проблематику прогнозування та оцінювання операційних ризиків промислового обладнання. На основі датасету NASA Turbofan Engine розроблено та порівняно ефективність різних моделей машинного навчання для прогнозування залишкового ресурсу обладнання. Створено систему класифікації рівнів операційного ризику та запропоновано концепцію стартап-проекту для практичного впровадження розробленої системи. Практична цінність роботи полягає у створенні системи раннього попередження відмов промислового обладнання, що дозволяє оптимізувати процеси технічного обслуговування та знизити операційні витрати підприємств.
  • ДокументВідкритий доступ
    Моделювання та прогнозування процесів на фондовому ринку методами штучного інтелекту
    (КПІ ім. Ігоря Сікорського, 2024) Теванян, Роман Робертович; Кузнєцова, Наталія Володимирівна
    Магістерська дисертація: 94 с., 20 рис., 23 табл., 1 дод., 21 джерело Об’єкт дослідження - набір даних цін акцій компаній S&P 500. Предмет дослідження: застосування алгоритмів штучного інтелекту до задач прогнозування цін акцій. Метою роботи є дослідження ефективності алгоритмів штучного інтелекту в задачах моделювання та прогнозування процесів на фондовому ринку. Вищеописане реалізовано за допомогою методів машинного навчання, які були застосовані на даних цін акцій, що знаходяться у відкритому доступі. Було описано суть цих методів, задачі, для вирішення яких підходить кожен окремий метод. На основі цієї інформації вже було написано та модифіковано алгоритми для конкретних задач. Для побудови моделей було використано мову програмування Python та її бібліотеки. Ефективність кожної моделі була виміряна відповідними метриками, результати продемонстровані візуально за допомогою графіків. Результатом роботи програми є рекомендації щодо дій, повʼязаних із роботою з акціями компаній. Зважаючи на ці рекомендації, субʼєкт може прийняти кращі рішення в актуальній для нього області.
  • ДокументВідкритий доступ
    Моделі і прогнози ринкових ризиків
    (КПІ ім. Ігоря Сікорського, 2024) Ревенко, Ілля Євгенович; Левенчук, Людмила Борисівна
    Магістерська дисертація: 122 с., 9 рис., 25 табл., 40 джерел, 1 додаток. Мета роботи – розробка та дослідження системи прогнозування ринкових ризиків з використанням сучасних методів машинного навчання для підвищення ефективності управління фінансовими ризиками. Об'єкт дослідження – процес прогнозування ринкових ризиків у фінансовому секторі. Предмет дослідження – моделі та методи машинного навчання для прогнозування ринкових ризиків на основі історичних даних фінансових ринків. Методи дослідження – методи машинного навчання, статистичний аналіз, обробка часових рядів, глибинне навчання, методи оптимізації параметрів моделей, методи валідації та оцінки ефективності прогнозування. У роботі досліджено проблематику прогнозування ринкових ризиків у фінансовому секторі. Розроблено комплексну систему, що включає збір та обробку фінансових даних, реалізацію різних моделей машинного навчання (лінійні моделі, ансамблеві методи, LSTM-мережі) та оцінку їх ефективності. Створено методику оцінки якості прогнозування та запропоновано концепцію стартап-проекту для комерціалізації розробленої системи. Практична цінність роботи полягає у створенні ефективної системи прогнозування ринкових ризиків на мові програмування Python, що дозволяє підвищити якість управління фінансовими ризиками та оптимізувати процеси прийняття інвестиційних рішень.
  • ДокументВідкритий доступ
    Симулятор криптовалютних інвестицій. Розробка iOS-додатку для віртуальної торгівлі та прогнозування цін
    (КПІ ім. Ігоря Сікорського, 2024) Радченко, Дмитро Олексійович; Кузнєцова, Наталія Володимирівна
    Магістерська дисертація: 131 с., 37 рис., 23 таб., 29 джерел. Об’єкт дослідження – ринок криптовалют, що включає методи прогнозування курсів і симуляцію торгових операцій. Предмет дослідження – математичні моделі прогнозування криптовалют і технології, які забезпечують симуляцію торгівлі та інтерактивний інтерфейс. Мета роботи – розробити iOS-додаток для симуляції торгівлі криптовалютами та прогнозування їхніх цін із використанням сучасних технологій. Метод дослідження – аналіз часових рядів (ARIMA, GARCH, LSTM), реалізація REST API з FastAPI, використання UIKit для створення інтерфейсу, обробка даних із API Binance. Актуальність – стрімкий розвиток ринку криптовалют і потреба в безпечних інструментах для навчання торгівлі та прогнозування цін. Результати роботи – розроблено додаток з використанням Swift для клієнтської частини, Python (FastAPI) для серверної частини та реляційної бази даних для збереження даних. Реалізовано інтеграцію реальних ринкових даних з API Binance для аналізу. Шляхи подальшого розвитку предмету дослідження – розширити математичні методи аналізу та прогнозу.
  • ДокументВідкритий доступ
    Система підтримки прийняття рішень оцінювання кредитних ризиків
    (КПІ ім. Ігоря Сікорського, 2024) Крючков, Дмитро Олександрович; Кузнєцова, Наталія Володимирівна
    Магістерська 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.
  • ДокументВідкритий доступ
    Система підтримки прийняття рішень для менеджменту портфельних ризиків
    (КПІ ім. Ігоря Сікорського, 2024) Копа, Максим Вікторович; Кузнєцова, Наталія Володимирівна
    Магістерська 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.
  • ДокументВідкритий доступ
    Підхід до прийняття торгових рішень на основі оптимізації інвестиційного портфеля
    (КПІ ім. Ігоря Сікорського, 2024) Кіріянов, Іван Олексійович; Савастьянов, Володимир Володимирович
    Магістерська 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.
  • ДокументВідкритий доступ
    Рекомендаційна система на основі аналізу бази даних транзакцій
    (КПІ ім. Ігоря Сікорського, 2024) Лавріненко, Вероніка Олександрівна; Недашківська, Надія Іванівна
    Магістерська 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.
  • ДокументВідкритий доступ
    Розробка і дослідження моделей нейронних мереж для Semantic або Instance сегментації зображень
    (КПІ ім. Ігоря Сікорського, 2024) Лавренко, Владислав Віталійович; Недашківська, Надія Іванівна
    Магістерська 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.
  • ДокументВідкритий доступ
    Прогнозування та оцінювання трансферних ризиків
    (КПІ ім. Ігоря Сікорського, 2024) Кармазін, Володимир Андрійович; Левенчук, Людмила Борисівна
    Магістерська 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.
  • ДокументВідкритий доступ
    Методи машинного навчання для вирішення задачі Human Activity Recognition
    (КПІ ім. Ігоря Сікорського, 2024) Каленіченко, Денис Олександрович; Данилов, Валерій Якович
    Магістерська 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.
  • ДокументВідкритий 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 Якович
    Магістерська 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.
  • ДокументВідкритий доступ
    Застосування методів якісного аналізу для дослідження та передбачення стану виробничих підприємств
    (КПІ ім. Ігоря Сікорського, 2024) Гулкевич, Борис Юрійович; Савченко, Ілля Олександрович
    Дипломна 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.
  • ДокументВідкритий 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 Леонідович
    Магістерська 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.