Магістерські роботи (ММСА)
Постійне посилання зібрання
Переглянути
Нові надходження
Документ Відкритий доступ Інтелектуальна система оцінювання страхових ризиків в аграрному секторі на основі методів машинного навчання(КПІ ім. Ігоря Сікорського, 2025) Ярко, Андрій Юрійович; Кузнєцова, Наталія ВолодимирівнаМагістерська дисертація: 135 с., 38 рис., 21 табл., 1 додаток, 21 джерел. Об’єкт дослідження – процеси формування, прогнозування та оцінювання страхових ризиків у аграрному секторі в умовах невизначеності природно-кліматичних та економічних факторів. Предмет дослідження – методи машинного навчання, статистичного аналізу, імітаційного моделювання та інтелектуальні підходи до побудови систем оцінювання аграрних страхових ризиків, включно з алгоритмами прогнозування врожайності та розрахунку страхових показників. Мета роботи – створення інтелектуальної системи підтримки прийняття рішень, яка забезпечує точне прогнозування врожайності сільськогосподарських культур і визначення ключових страхових показників: ймовірності дефіциту, очікуваних збитків, Value-at-Risk та Conditional Value-at Risk. У роботі використано методи машинного навчання (регресійні моделі, ансамблеві алгоритми), статистичного аналізу, просторової обробки супутникових даних MODIS та кліматичних реаналізів ERA5-Land, а також метод Монте-Карло для моделювання сценаріїв невизначеності.Документ Відкритий доступ Розробка та дослідження прогнозних моделей у системах алгоритмічної торгівлі(КПІ ім. Ігоря Сікорського, 2025) Ярінко, Богдан Богданович; Касьянов, Павло ОлеговичМагістерська дисертація: 108 с., 6 рис., 12 табл., 1 додаток, 40 джерел. У магістерській дисертації досліджено проблему підвищення ефективності та робастності торгових стратегій в умовахнестаціонарності фінансових ринків. Розроблено систему автоматизованої діагностики прогнозних моделей, яка, на відміну від класичних підходів, фокусується на виявленні та корекції систематичних помилок алгоритмів, таких як ігнорування ринкових режимів та впевненості прогнозу (Додаток А). Експериментальна верифікація підтвердила ефективність запропонованої методології: приріст метрики F1-Score склав від 10% до 64,1% . В роботі розглядались такі моделі, як LSTM, XGBoost, Random Forest, логістична регресія. Розроблено стартап-проект для комерціалізації створеної технології, проведено аналіз конкурентного середовища та сформовано маркетингову стратегію виведення продукту на ринок.Документ Відкритий доступ Поведінкові моделі оцінювання успішності студентів у смарт-класах(КПІ ім. Ігоря Сікорського, 2025) Ткач, Вікторія Степанівна; Кузнєцова, Наталія ВолодимирівнаМагістерська дисертація: 125 c., 14 рис., 31 табл., 1 додаток, 56 джерел. Об’єкт дослідження: прогнозування успішності студентів у смарткласах. Предмет дослідження: методи машинного навчання, моделі виживання для аналізу успішності студентів у смарт-класах. Мета дослідження: аналіз поведінкових даних студентів та прогнозування їхньої залученості й ризику відтоку у смарт-класі з використанням методів машинного навчання та моделей виживання. Використані методи: логістична регресія, градієнтний бустинг, дерева рішень, наївний Байєсівський класифікатор, метод опорних векторів з RBFядром, модель Каплана-Майєра, модель Кокса та модель прискореного часу до події Вейбулла. Актуальність дослідження: потреба навчальних закладів забезпечувати вищу якість освітнього процесу в умовах зростання вимог до результатів навчання. Для цього потрібно вчасно виявляти студентів, які можуть втратити зацікавленість або зіткнутися з труднощами у навчанні. Саме тому поведінковий аналіз і прогнозування відтоку стають важливими інструментами для прийняття своєчасних педагогічних рішень. Отримані результати: побудовано та порівняно поведінкові моделі прогнозування успішності студентів у смарт-класі. Застосування методів дозволило визначити ключові поведінкові чинники ризику та встановити часові інтервали, у яких він зростає найбільше. Подальші дослідження будуть спрямовані на розширення набору поведінкових ознак шляхом використання мультимодальних даних та сенсорних сигналів смарт-класів.Документ Відкритий доступ Інтелектуальна система підтримки прийняття рішень для аналізу економічних ризиків(КПІ ім. Ігоря Сікорського, 2025) Мельник, Микола Сергійович; Левенчук, Людмила БорисівнаМагістерська дисертація: 138 с., 35 рис., 22 табл., 1 дод., 29 джерел. Мета дослідження – розробка інтелектуальної системи підтримки прийняття рішень (ІСППР) для аналізу економічних ризиків, яка на основі сучасних методів машинного навчання забезпечує якісне та інтерпретоване прогнозування банкрутства підприємств. Об’єкт дослідження – процес аналізу економічних ризиків підприємств та механізми оцінювання їхньої фінансової стійкості. Предмет дослідження – методи, моделі та алгоритми машинного навчання, а також програмні засоби їх застосування в інтелектуальній системі підтримки прийняття рішень для прогнозування ризику банкрутства. В дисертації було проведено системний аналіз проблеми оцінки економічних ризиків та огляд методів машинного навчання для прогнозування банкрутства. Обґрунтовано використання ансамблевих моделей (зокрема XGBoost) у поєднанні з методами балансування даних (SMOTE) та інтерпретації результатів (SHAP). Розроблено архітектуру та програмну реалізацію веб-орієнтованої ІСППР «RiskSense AI», що дозволяє виконувати експрес-діагностику фінансового стану підприємств та отримувати пояснення факторів ризику. В додатку А наведено лістинг розробленої програми мовою Python з використанням бібліотек Pandas, Scikit-Learn, XGBoost, SHAP, Streamlit та інших.Документ Відкритий доступ Інтелектуальна система прогнозування фінансових часових рядів(КПІ ім. Ігоря Сікорського, 2025) Макітрук, Максим Тарасович; Селін, Юрій МиколайовичМагістерська дисертація: 129 с., 9 рис., 29 табл., 2 дод., 27 джерел. Актуальність теми. Сучасні фінансові ринки характеризуються високою волатильністю, нелінійністю та нестаціонарністю, що знижує ефективність класичних статистичних моделей прогнозування й ускладнює управління ризиками. Метою роботи є розроблення та експериментальна перевірка інтегрованої інтелектуальної системи прогнозування фінансових часових рядів і розподілу фінансового ресурсу на основі LSTM, методів оцінки прогнозної невизначеності та портфельної оптимізації. Об’єктом дослідження є фінансові часові ряди біржових активів. Предметом дослідження є методи їх прогнозування та моделі розподілу фінансового ресурсу з урахуванням невизначеності прогнозу. У роботі проаналізовано класичні статистичні моделі та нейронні мережі, обґрунтовано вибір моделі LSTM. Розроблено LSTM-архітектуру з ковзним вікном та autoregressive rolling forecast для прогнозу. Запропоновано три підходи до оцінки невизначеності прогнозу і реалізовано чотири моделі розподілу фінансового ресурсу. Експериментальні дослідження виконано з використанням Python, TensorFlow/Keras, NumPy та Pandas. Наукова новизна полягає у створенні інтегрованої системи, що поєднує LSTM-прогноз із багаторівневою оцінкою невизначеності та використанням інтервалів довіри в моделях оптимізації. Практичне значення роботи полягає у розробленні програмної системи та стартап-проєкту «MakProphet» для підтримки інвестиційних рішень на нестабільних фінансових ринках.Документ Відкритий доступ Інформаційна система підтримки прийняття рішень для підвищення рівня інформаційної безпеки організації(КПІ ім. Ігоря Сікорського, 2025) Коломієць, Данило Сергійович; Касьянов, Павло ОлеговичМагістерська дисертація: 123 с., 15 рис., 19 табл., 1 дод., 24 джерела. Тема: інформаційна система підтримки прийняття рішень для підвищення рівня інформаційної безпеки організації. Об’єкт дослідження: процес моніторингу, аналізу та оцінювання подій інформаційної безпеки в корпоративних інформаційних системах. Предмет дослідження: методи інтелектуального аналізу подій безпеки, моделі формування епізодів інцидентів, алгоритми оцінювання ризику та пріоритизації хостів у системах підтримки прийняття рішень. Мета роботи: розроблення інформаційної системи підтримки прийняття рішень, яка забезпечує інтеграцію даних з платформ моніторингу безпеки, інтелектуальний аналіз подій та підвищення ефективності управління інцидентами інформаційної безпеки. Методи дослідження: аналіз журналів подій інформаційної безпеки, методи нормалізації та кореляції подій, кластеризація без учителя, оцінювання ризику на основі агрегованих ознак, багатошарові нейронні мережі, методи машинного навчання та елементи семантичного аналізу текстових даних. Актуальність: робота зумовлена зростанням кількості та складності кіберзагроз, а також перевантаженістю фахівців з інформаційної безпеки. Результати роботи: розроблено інформаційну систему підтримки прийняття рішень для аналізу подій безпеки. Реалізовано програмні модулі збору та уніфікації даних з платформ Wazuh і CrowdStrike, механізми формування епізодів подій, оцінювання ризику інцидентів та пріоритизації хостів із використанням методів машинного навчання.Документ Відкритий доступ Інформаційна система з використанням ансамблевих моделей для оцінки кредитних ризиків(КПІ ім. Ігоря Сікорського, 2025) Халімончук, Ростислав Анатолійович; Гуськова, Віра ГеннадіївнаОб’єкт дослідження – процес оцінки кредитних ризиків позичальниківу фінансових інформаційних системах. Предмет дослідження – методи машинного навчання та ансамблеві моделі, що застосовуються для прогнозування ймовірності дефолту позичальників. Мета роботи – розробити та дослідити інформаційну систему з використанням ансамблевих моделей машинного навчання для підвищення точності оцінки кредитних ризиків. Методи дослідження – аналіз і попередня обробка даних, методи машинного навчання, ансамблеві підходи (стекінг, блендинг, гібридні та геометричні методи), метрики оцінювання якості класифікації (Precision, Recall, F1-score, Accuracy). Основні результати – розроблено інформаційну систему для оцінки кредитного ризику на основі базових і ансамблевих моделей; проведено експериментальне порівняння різних підходів до прогнозування дефолту; встановлено, що застосування ансамблевих методів дозволяє покращити узгодженість прогнозів і підвищити якість оцінки кредитних ризиків порівняно з окремими базовими моделями. Отримані результати підтверджують доцільність використання ансамблевих моделей у задачах кредитного скорингу.Документ Відкритий доступ Модель для аналізу впливу погодних факторів на формування цін зернових культур в Україні(КПІ ім. Ігоря Сікорського, 2025) Тихолоз, Андрій Андрійович; Тимощук, Оксана ЛеонідівнаОб’єкт дослідження: процес ціноутворення на ринку зернових культур України в умовах глобальних кліматичних змін. Предмет дослідження: математичні моделі та методи оцінки впливу метеорологічних факторів на динаміку цін зернових культур. Мета роботи: розробити математичну модель для оцінки впливу погодних коливань на динаміку цін зернових культур, а також створити концепцію комерційної інтернет-платформи для впровадження результатів прогнозування в агробізнесі. Програмний продукт було розроблено, використовуючи мову програмування Python.Документ Відкритий доступ Система прогнозування і аналізу сезонних часових рядів у маркетингових дослідженнях(КПІ ім. Ігоря Сікорського, 2025) Пащенко, Андрій Ілліч; Тимощук, Оксана ЛеонідівнаМетою даної роботи є дослідження проблеми прогнозування і аналізу сезонних часових рядів. Особливо у випадках, коли сигнал нестаціонарний або містить циклічні коливання, то задача прогнозування постає перед дослідником цікавою та складною проблемою, у тому числі у контексті маркетингових досліджень для здійснення прогнозів у питаннях бізнесу. У роботі наведено огляд деяких відомих методів прогнозування часових рядів, а також розглянуто підходи до виявлення сезонних коливань в часовому ряді. Запропоновано алгоритм прогнозування на основі методу спектрального сингулярного аналізу. Цей метод базується на створенні повторності шляхом переходу від часового ряду до послідовності векторів, що складаються з відрізків часового ряду вибраної довжини, сингулярному розкладі матриці, одержаної на основі сформованої багатовимірної вибірки та розкладі вихідного часового ряду за базисом, породжуваного ним самим. У роботі представлено результати прогнозування вибраних часових рядів за допомогою методу спектрального сингулярного аналізу, а також відомих методів на основі сезонних моделей. Виконано порівняльний аналіз методів, використовуючи створену програму у вигляді веб-додатку. На основі запропонованого підходу розроблено та проаналізовано потенційний стартап. Створено бізнес план проєкту, проведено SWOT-аналіз, здійснено економічну оцінку доходів і витрат стартапу, розглянуто потенційний шлях розвитку та партнерств, розраховано різноманітні фінансово-економічні показники.Документ Відкритий доступ Метод прогнозування часового ряду на основі трансформерів та архітектур комп’ютерного зору(КПІ ім. Ігоря Сікорського, 2025) Свирид, Нікіта Олександрович; Недашківська, Надія ІванівнаМетою даної роботи є підвищення якості прогнозування складних нелінійних процесів у соціально-економічних системах за умов високої нестаціонарності, волатильності та наявності прихованих структурних змін. У таких випадках часові ряди характеризуються хаотичною динамікою та режимними переходами, що знижує ефективність класичних методів регресії та актуалізує задачу розробки спеціалізованих гібридних підходів до прогнозування. У роботі наведено огляд сучасних методів глибокого навчання для аналізу часових рядів, зокрема рекурентних нейронних мереж, трансформерних архітектур та методів візуального кодування сигналів. Запропоновано гібридний метод прогнозування, що поєднує підходи комп’ютерного зору та механізми уваги, орієнтований на виявлення прихованої часової структури та нелінійних залежностей. Метод базується на трансформації одновимірного часового сигналу у двовимірні зображення за допомогою алгоритмів Gramian Angular Field (GAF) та Markov Transition Field (MTF), вилученні локальних просторових ознак за допомогою згорткового енкодера (CNN) та моделюванні довгострокових часових залежностей із використанням блоку Трансформера. У роботі представлено результати програмної реалізації запропонованої системи та серії експериментальних досліджень на синтетичних і реальних наборах даних, зокрема фінансових часових рядах. Порівняльний аналіз із базовими моделями показав, що запропонований метод демонструє конкурентні переваги у задачах моделювання нелінійних динамічних систем та ідентифікації ринкових режимів, водночас зберігаючи обмеження у задачах із домінуючою лінійною структурою.Документ Відкритий доступ Інтелектуальна система підтримки прийняття рішень для автоматизованої торгівлі на фінансових ринках на прикладі криптовалют(КПІ ім. Ігоря Сікорського, 2025) Мороз, Владислава Вячеславівна; Канцедал, Георгій ОлеговичДосліджено застосування методів машинного навчання для автоматизованого прийняття торгових рішень на криптовалютних ринках. Актуальність теми зумовлена високою волатильністю криптоактивів, відсутністю фундаментальної вартості та цілодобовим режимом торгівлі, що ускладнює прогнозування ринкової поведінки. Об’єкт дослідження – динаміка криптовалютних активів на фінансових ринках. Предмет дослідження – методи прогнозування часових рядів та алгоритми ухвалення рішень у СППР. Мета роботи – створення інтелектуальної системи підтримки прийняття рішень для автоматизованої торгівлі криптовалютами. У роботі порівняно моделі прогнозування часових рядів N-BEATS та N-HiTS, після чого обрано N-HiTS як більш ефективну. Дані агреговано до погодинної частоти, сформовано технічні індикатори та виконано аналіз новин за методом VADER. На основі цих даних побудовано систему, що генерує рекомендації LONG, SHORT або FLAT. Система реалізована як веб-додаток на Python із використанням Streamlit та бібліотек машинного навчання. За результатами симуляції найкращі показники за співвідношенням ризику й прибутку отримано для Bitcoin, де модель перевершила базові стратегії.Документ Відкритий доступ Моделювання торгових сигналів на основі аналізу фінансових часових рядів за допомогою мереж Колмогорова-Арнольда(КПІ ім. Ігоря Сікорського, 2025) Деркач, Анастасія Сергіївна; Шаповал, Наталія ВіталіївнаДипломна робота – 89 с., 8 табл., 6 рис., додаток, 21 джерел. Тема: Моделювання торгових сигналів на основі аналізу фінансових часових рядів за допомогою мереж Колмогорова-Арнольда. У роботі розглянуто проблему прогнозування високоризикових фінансових ринків та проаналізовано недоліки існуючих методів, зокрема класичного технічного аналізу та традиційних нейронних мереж (MLP), які страждають від проблеми «чорної скриньки». Запропоновано новий підхід до генерації торгових сигналів, що базується на використанні інтерпретованих властивостей та навчальних сплайнів мереж Колмогорова-Арнольда (KAN). Об’єкт дослідження: фінансові часові ряди на ринках криптовалют та акцій. Предмет дослідження: нейронні мережі Колмогорова-Арнольда для аналізу ринкових даних та моделювання ефективних торгових сигналів. Мета роботи: розробити та дослідити модель для генерації точних торгових сигналів на основі KAN з метою оптимізації торгових стратегій та можливості виявити приховані аналітичні залежності ринку. В ході виконання роботи досліджено математичні основи теореми Колмогорова-Арнольда та теорію B-сплайнів. Розроблено адаптивну архітектуру UltraKAN та механізм символьної дистиляції, що дозволяє відновлювати аналітичні формули прийняття рішень з навченої моделі. Програмна реалізація виконана мовою Python з використанням бібліотек PyTorch, yfinance та scikit-learn. Ефективність методу перевірено на реальних історичних даних активів Bitcoin, Ethereum та Meta, продемонстровано переваги запропонованого підходу над класичними нейромережами та пасивними стратегіями за показниками прибутковості та коефіцієнтом Шарпа.Документ Відкритий доступ Аналіз, моделювання та прогнозування ціни та капіталізації криптоактивів в залежності від зміни їх емісії(КПІ ім. Ігоря Сікорського, 2025) Биль, Кирило Іванович; Терентьєв, Олександр МиколайовичМагістерська дисертація: 127 c., 18 рис., 34 табл., 4 дод., 30 джерел. Об’єкт дослідження – часові ряди цін криптовалют, факти та анонси подій щодо розблокування криптоактивів блокчейн-проектів, що впливають на збільшення їх емісії. Предмет дослідження – моделі та методи регресійного аналізу для прогнозування зміни ціни криптоактивів. Мета роботи – розробка та експериментальна оцінка ефективності методів прогнозного моделювання для визначення динаміки змін цін криптовалют в залежності від зміни їх емісії. Результат роботи – комп’ютерна програма, для вивантаження даних з біржи Binance, аналіз наявності зав’язків між факторами, що впливають на зміну ціни криптоактиву. Програмне рішення для побудови прогнозних моделей було розроблено із використанням мови програмування SAS BASE у середовище SAS Enterprise Guide. В роботі було використано ринкові дані цін з біржи Binance та новини про розблокування криптоактивів з агрегатору інформації сайту CoinMarketCap.Документ Відкритий доступ Спотова та ф'ючерсна торгівля як засіб хеджування для алгоритмічної торгівлі на криптобіржі у східноєвропейському регіоні(КПІ ім. Ігоря Сікорського, 2025) Загарук, Андрій Ярославович; Касьянов, Павло ОлеговичМагістерська дисертація: 108 с., 4 рис., 23 табл., 1 дод., 18 джерел. Тема: спотова та ф'ючерсна торгівля як засіб хеджування для алгоритмічної торгівлі на криптобіржі у східноєвропейському регіоні. Об'єкт дослідження: процес хеджування ризиків у алгоритмічній торгівлі на криптовалютних ринках. Предмет дослідження: методи аналізу волатильності, моделі переходів між ринковими станами та механізми застосування спотових і ф’ючерсних інструментів у системах алгоритмічного хеджування. Мета роботи: створення моделі та програмного модуля для підтримки прийняття рішень, який забезпечує хеджування ризиків на основі аналізу волатильності та використання спотових і ф’ючерсних інструментів. Методи дослідження: статистичний аналіз часових рядів, моделі волатильності, ланцюги Маркова, оцінювання перехідних ймовірностей, методи сценарного моделювання, алгоритмічні стратегії хеджування. Актуальність: розроблена модель є необхідною для алгоритмічних трейдерів та аналітиків, які працюють з високоволатильними криптоактивами й потребують інструментів оперативного хеджування ризиків. Система дозволяє визначати ринкові стани та обирати оптимальні дії між спотовими і ф’ючерсними інструментами, що підвищує стабільність торгових стратегій у нестійкому ринковому середовищі. Результати роботи: розроблено систему оцінювання ризиків і очікуваних збитків за різних стратегій хеджування. Реалізовано програмний модуль мовою Python, який аналізує ринкові стани, розраховує оптимальні дії агента та моделює поведінку торгової стратегії на історичних даних.Документ Відкритий доступ Гібридна рекомендаційна система для підбірки вакансій(КПІ ім. Ігоря Сікорського, 2025) Бабанов, Дмитро Євгенович; Тимощук, Оксана ЛеонідівнаМагістерська дисертація: 118 с., 28 рис., 20 табл., 2 додатки, 23 джерела. Об'єкт дослідження – гібридні рекомендаційні системи для підбірки вакансій. Мета роботи – розробка, реалізація та проведення експериментів над гібридною рекомендаційною системою. Методи дослідження – аналіз наукової літератури, веб-скрапінг, експериментальне моделювання, порівняльний аналіз архітектур рекомендаційних систем, оцінка якості роботи системи за допомогою різноманітних експериментів над створеною системою рекомендацій. У даній роботі проведено аналіз сучасних методів побудови рекомендаційних систем та досліджено контентні, колаборативні й гібридні підходи до генерації персоналізованих рекомендацій. Реалізовано та експериментально перевірено рекомендаційну систему для підбору вакансій на основі методів TF-IDF, BERT, матричної факторизації (ALS) та їх зваженого гібридного поєднання. Розроблено програмний продукт мовою Python з використанням бібліотек для аналізу даних і машинного навчання, створено синтетичний датасет взаємодій кандидатів із вакансіями та проведено оцінювання якості рекомендацій за стандартними метриками. Отримані результати можуть бути використані для впровадження інтелектуальних систем рекомендацій у сервісах підбору персоналу та кар’єрних платформах.Документ Відкритий доступ Рекомендаційні системи з використанням текстів оглядів користувачів(КПІ ім. Ігоря Сікорського, 2025) Артеменко, Євгеній Вячеславович; Недашківська, Надія ІванівнаМагістерська дисертація: 82 с., 16 рис., 35 табл., 1 додаток, 21 джерело. Об'єкт дослідження – прогнозування рейтингів користувачів на основі текстових оглядів користувачів та метаданих товарів. Предмет дослідження – моделі колаборативної фільтрації (SVDpp, CoClustering, KNNBaseline, SlopeOne), методи векторизації тексту (TF-IDF, Word2Vec, SBERT), методи сентимент-аналізу (VADER, TextBlob), моделі регресії (Random Forest, XGBoost, Linear Regression), ансамблева гібридна рекомендаційна система на основі стекінгу. Мета дослідження – розробити ансамблеву гібридну рекомендаційну систему на основі стекінгу, порівняти вплив нових ознак на формування прогнозів, порівняти результати прогнозів базових методів колаборативної фільтрації та ансамблевих гібридних рекомендаційних систем на основі метрик якості (MSE, RMSE, MAE). Новизна – розробка методу формування ознак, який поєднує сентимент-аналіз, векторні подібності та прогнози методів колаборативної фільтрації, а також застосування цих ознак моделями регресії у задачі прогнозування рейтингуДокумент Відкритий доступ Інтелектуальні системи для прогнозування у банківській сфері(КПІ ім. Ігоря Сікорського, 2025) Міщенко, Антон Сергійович; Гуськова, Віра ГеннадіївнаТемою роботи є розроблення інтелектуальної системи аналітики портфеля клієнтів банку, яка поєднує сегментацію та прогнозування ключових поведінкових подій. Об’єктом дослідження є процес підтримки прийняття рішень у банківських установах під час прогнозування взяття ключових продуктів. Предметом дослідження є методи машинного навчання для сегментації клієнтів, оцінки їхніх ймовірностей взаємодії з банківськими продуктами та побудови персоналізованих рекомендацій. Метою роботи є створення аналітичного інструментарію, який дозволяє автоматично сегментувати клієнтів, будувати моделі прогнозування їхньої поведінки та формувати дані для таргетованих маркетингових кампаній. Актуальність роботи зумовлена стрімким переходом банків до персоналізованого маркетингу, необхідністю оптимізації витрат на залучення клієнтів та підвищення точності прогнозів. У результаті роботи було створено повний машинно-навчальний пайплайн, що включає попередню обробку даних, сегментацію клієнтів, а також побудову моделей прогнозування. Розроблена система формує сегментовані клієнтські бази з оцінкою ймовірності відкриття депозиту чи кредиту, що дозволяє використовувати її як інтелектуальний модуль для підготовки маркетингових кампаній та підвищення ефективності роботи банку.Документ Відкритий доступ Прогнозування фінансових показників із використанням зовнішніх інформаційних факторів(КПІ ім. Ігоря Сікорського, 2025) Заваріхін, Володимир Олександрович; Тимощук, Оксана ЛеонідівнаОб’єкт дослідження: процес прогнозування динаміки фінансових показників із використанням зовнішніх інформаційних факторів Предмет дослідження: методи та підходи до використання зовнішніх факторів у моделі регресійного прогнозування, зокрема із застосуванням рекурентних нейронних мереж Мета дослідження: дослідити та проаналізувати існуючі підходи до багатофакторного прогнозування фінансових показників та методів вибору ознак, і на основі найкращих з них розробити власну модель прогнозування із використання зовнішніх інформаційних факторів. У роботі було досліджено підходи до прогнозування фінансових показників, використання зовнішніх даних та їхнього впливу на якість моделей. Було зібрано, оброблено такі зовнішні фактори як тональність новин, динаміка цін акцій компаній-конкурентів, змін прогнозів аналітиків та інсайдерські транзакції, та оцінено їхню важливість у моделі прогнозування ціни акцій на основі LSTM. Результати роботи моделей було оцінено за допомогою показників RMSE, MAE, MAPE та R2, на основі яких було визначено ефективність додавання зовнішніх даних для покращення якості прогнозу. Програмний продукт створений з використанням мови програмування Python.Документ Відкритий доступ Інтелектуальна система автоматизованого складання розкладу з використанням адаптивних гібридних метаевристик(КПІ ім. Ігоря Сікорського, 2025) Гнідобор, Сергій Михайлович; Тимощук, Оксана ЛеонідівнаОб’єкт дослідження: процес автоматизованого складання розкладу занять у закладах вищої освіти. Мета дослідження: розробити інтелектуальну систему формування розкладу занять на основі адаптивного гібридного метаевристичного алгоритму AHSA (Adaptive Hybrid Scheduling Algorithm). Отримані результати: створено алгоритм та програмне забезпечення, що забезпечують автоматизоване формування навчального розкладу з покращеними показниками якості та швидкодії порівняно з класичними методами. Запропоновано власний алгоритм AHSA, що поєднує глобальний еволюційний пошук (генетичний алгоритм), локальну оптимізацію (імітація відпалу) та адаптивний модуль динамічного регулювання параметрів. Такий підхід дає змогу зменшити кількість конфліктів, підвищити якість розкладу та зменшити час обчислення. Під час реалізації застосунку використано мову програмування Python, бібліотеки для оптимізації та роботи з даними, а також архітектуру клієнт–сервер. Розроблено інтерфейс для налаштування алгоритму, запуску розрахунків та експорту результатів. Результатом роботи є повнофункціональна система автоматизованого складання розкладу, рекомендована для використання в університетах, коледжах та інших освітніх установах з метою підвищення ефективності планування навчального процесу.Документ Відкритий доступ Розробка рекомендаційної системи методами графових нейронних мереж(КПІ ім. Ігоря Сікорського, 2025) Бичков, Денис Віталійович; Недашківська, Надія ІванівнаОб’єкт дослідження –– алгоритми побудови рекомендаційних систем із використанням графових нейронних мереж. Предмет дослідження –– методи формування персоналізованих рекомендацій на основі графових структур та нейронних моделей, таких як GraphSAGE, GCN, NGCF, LightGCN. Мета роботи – розробити та дослідити ефективність рекомендаційної системи на основі графових нейронних мереж, що дозволяє покращити якість персоналізованих рекомендацій шляхом моделювання взаємодій у вигляді графа. Методи дослідження –– аналіз та обробка даних, побудова графів користувач–об’єкт, графові нейронні мережі, методи машинного навчання, метрики оцінювання якості рекомендацій (Recall, NDCG). Основні результати – розроблено прототип рекомендаційної системи з використанням GNN-моделей; проведено експериментальне дослідження на основі датасету Last.fm; встановлено переваги LightGCN щодо якості формування рекомендацій у порівнянні з базовими моделями. Отримані результати підтверджують доцільність застосування графових нейронних мереж для покращення персоналізованих рекомендацій.