Магістерські роботи (ШІ)
Постійне посилання зібрання
У зібранні розміщено магістерські дисертації на здобуття ступеня магістра.
Переглянути
Нові надходження
Документ Відкритий доступ Встановлення відповідності зображення і мовного опису за допомогою глибинного навчання(КПІ ім. Ігоря Сікорського, 2024) Крижанівська, Олена Володимирівна; Шаповал, Наталія ВіталіївнаМагістерська дисертація: 86 с., 17 табл., 19 рис., 28 посилань, 1 додаток. Об’єкт дослідження – вибірка даних, пари зображень та текстових описів до них. Предмет дослідження – нейронна мережа, завдання якої встановлювати відповідність між мовним описом та зображеннями. Мета дослідження – запропонувати модель, що з високою точністю встановлюватиме відповідність між описом та зображенням. У сучасній інформаційній ері, коли обсяги доступної інформації надзвичайно великі, виникає необхідність розробки та вдосконалення методів автоматичної обробки текстової і графічної інформації. Однією з актуальних задач є встановлення відповідності між зображеннями і мовними описами, що відкриває безліч можливостей для розвитку різних застосувань, в тому числі покращення пошукових систем, автоматичне розпізнавання зображень та підтримку людей з обмеженими можливостями. Відповідність між графічною та текстовою інформацією важлива для багатьох сучасних додатків і систем, таких як пошукові системи, розпізнавання образів, аналіз медичних даних і багато інших. Метою дослідження є запропонувати модифіковану модель. Це дозволить покращити якість та швидкість роботи інформаційних систем, що базуються на аналізі інформації. Основні положення дослідження доповідалися на конференції «Системи і технології зв’язку, інформатизації та кібербезпеки: актуальні питання і тенденції розвитку» та висвітлено у публікаціях автора у фаховому виданні категорії Б.Документ Відкритий доступ Дослідження масштабованості архітектури сходових нейронних мереж для високонавантажених задач обробки великих наборів даних(КПІ ім. Ігоря Сікорського, 2024) Єрко, Андрій Вадимович; Синєглазов, Віктор МихайловичМагістерська дисертація: 116 сторінки, 15 таблиці, 18 рисунків, додаток, 21 посилання. Мета дослідження — підвищити швидкодію архітектури сходових нейронних мереж шляхом застосування методів підвищення масштабованості. Об’єкт дослідження — сходові нейронні мережі. Предмет дослідження — методи підвищення масштабованості сходових нейронних мереж в високонавантажених задачах. Методи дослідження — квантизація після навчання та навчання з урахуванням квантизації в цільночислені представлення чисел та представлення з плаваючою комою на процесорі та відеоприскорювачі CUDA. Розглянуто проблеми масштабованості cходових нейронних мереж для високонавантажених задач машинного навчання. Досліджено методи квантизації вагів сходових нейронних мереж до різної точності представлення чисел на процесорі та прискорювачі CUDA. Проведено експерименти щодо їх впливу на точність прогнозування, швидкодію обробки даних, та розмір результуючого файлу моделі. Проаналізовано та порівняно результати різних методів квантизації та її відсутності на ефективність використання сходових нейронних мереж до задач обробки даних. Результати роботи можуть бути використані для підвищення масштабованості та швидкодії сходових нейронних мереж в високонавантажених задачах, де їх застосування цієї архітектури є доцільним, наприклад, обробка відео та аудіосигналу, задачі обробки зображень та інші.Документ Відкритий доступ Розпізнавання номерів автомобілів методами глибокого навчання(КПІ ім. Ігоря Сікорського, 2024) Дєрюгін, Єгор Олександрович; Данилов, Валерій ЯковичМагістерська робота містить: 104 с., 7 табл., 33 рис., 4 додатки і 19 посилань. Об'єктом дослідження є методи глибокого навчання та дані, які використовуються в процесі навчання. Це включає дослідження архітектур нейронних мереж, спеціалізованих на обробці зображень та відео, з метою розпізнавання номерних знаків на автомобілях. Особлива увага приділяється аналізу даних, які використовуються для навчання цих систем, зокрема зображень і відеозаписів різної якості та складності. Предметом дослідження є вдосконалення алгоритмів машинного зору та обробки зображень за допомогою згорткових нейронних мереж (CNN), з акцентом на підвищення точності та швидкості обробки зображень номерних знаків. Новизна роботи полягає не стільки у відстеженні об'єктів у реальному часі, скільки у здатності системи розпізнавати номерні знаки на відео будь-якої складності. Використання останньої версії архітектури YOLO (v8) у поєднанні з алгоритмами DeepSORT та EasyOCR дозволяє ефективно обробляти відео матеріали з різними рівнями освітлення, руху та якості зображення, забезпечуючи високу точність розпізнавання. Актуальність роботи визначається постійно зростаючими вимогами до систем автоматизованого контролю та безпеки дорожнього руху. Розвиток ефективних та надійних методів розпізнавання номерних знаків відіграє ключову роль у підвищенні безпеки на дорогах, оптимізації дорожнього руху та автоматизації процесів паркування. Застосування сучасних алгоритмів глибокого навчання, таких як YOLO v8, DeepSORT та EasyOCR, відкриває нові можливості для ефективного вирішення цих завдань. Ключові слова: машинне навчання, згорткові нейронні мережі, обробка зображень, розпізнавання номерних знаків, YOLO v8, DeepSORT, EasyOCR, аналіз відео, автоматичне розпізнавання номерів.Документ Відкритий доступ Передбачення цін на біржові активи методами глибокого навчання(КПІ ім. Ігоря Сікорського, 2024) Дарьялов, Андрій Андрійович; Данилов, Валерій ЯковичМагістерська дисертація містить 86 стор., 25 табл., 12 рис., 1 додаток та 12 посилання. Об’єкт дослідження: Ринок акцій та криптовалют. Предмет дослідження: машинне навчання, нейронні мережі. Мета роботи: розширення знань про застосування штучного інтелекту в аналізі ринку акцій та криптовалют та визначенні значущих факторів які впливають на ціни на активи. Методи дослідження: аналіз, порівняння, статистики, дослідження. Актуальність роботи полягає в тому, що результати дослідження можуть сприяти покращенню процесів прийняття рішень у фінансовій галузі. Програмний продукт реалізований за допомогою мови програмування Python 3.10 у середовищі розробки Jupyter Notebook. Новизна: у роботі представлено нові фактори які значно впливають на точність передбачення цін на активи Результати: знайдено нові фактори які покращують якість передбачення цін на активи Результати роботи апробовано на МНК. Ключові слова: нейронна мережа, криптовалюта, акції, фондовий ринок, LSTM, GRU, Random Forest, XGBoost.Документ Відкритий доступ Інтелектуальна система керування автономним транспортним засобом(КПІ ім. Ігоря Сікорського, 2024) Молнар, Андрій Сергійович; Синєглазов, Віктор МихайловичДипломна робота: 120 с., 37 рис., 13 табл., 1 додаток, 66 посилань. У XX столітті автомобілі стали масовим явищем завдяки швидкій індустріалізації та урбанізації. Збільшення кількості транспортних засобів на дорогах призвело до значного збільшення дорожньо-транспортних пригод, які нерідко призводять до важких травм або смерті. За статистикою, переважна більшість ДТП відбувається через помилки водія. З цього випливає актуальність впровадження самокерованих автомобілів, як способу значного зменшення кількості ДТП. Останніми роками ця галузь зазнала безпрецедентного зростання. Незважаючи на прогрес, все ще існують проблеми, які необхідно вирішити. Прогнозування майбутніх траєкторій оточуючих об'єктів має важливе значення для прийняття безпечних рішень. Це складне завдання, оскільки агенти є різноманітними і їхня поведінка впливає один на одного. Більшість існуючих моделей або занадто неефективні для обчислень у реальному часі, або мають недостатню точність. Об’єктом дослідження є автономні транспортні засоби. Предметом дослідження є моделі прогнозування траєкторії для автономних транспортних засобів. Метою роботи є дослідження та порівняння методів та моделей прогнозування траєкторії учасників дорожнього руху для автономних транспортних засобів і створення нової ефективної моделі на основі дослідження. Наукова новизна полягає у створенні нової моделі прогнозування траєкторії, що є точною та ефективною в обчисленнях одночасно.Документ Відкритий доступ Визначення маркетингових параметрів для побудови моделі прогнозування попиту за допомогою нейронних мереж(КПІ ім. Ігоря Сікорського, 2024) Новіков, Михайло Сергійович; Синєглазов, Віктор МихайловичМагістерська дисертація – 58 с., 8 рис., 12 табл., 29 посилань, додаток. Актуальність теми. У роботі розглянуто проблему в області моделювання попиту товару на ринку в маркетингу за допомогою методів штучного інтелекту та машинного навчання. Показано основні особливості існуючих підходів до побудови моделей товарів на ринку, їх переваги та недоліки. Виявлено потребу у їх вдосконаленні. Представлено нову методологію для розвʼязання задачі. Мета дослідження. Основною метою є знаходження маркетингових параметрів для побудови моделі прогнозування попиту за допомогою нейронних мереж з використанням реальних даних. Об’єкт дослідження: маркетингові дані про товари. Предмет дослідження: нейронна мережа, маркетингові параметри. Методи дослідження: багатошаровий перцептрон, лінійна регресія. Наукова новизна результатів магістерської дисертації полягає в тому, що спроектовано та реалізовано методологію визначення маркетингових параметрів явного рівняння моделі товару на ринку за допомогою його апроксимації нейронною мережею на реальних даних. Практичне значення отриманих результатів полягає в тому, що реалізовані запропонований метод визначення маркетингових параметрів явного рівняння. Продемонстрована здатність моделі гарно прогнозувати споживчий попит на основі різноманітних маркетингових параметрів, що допомагає підприємствам ефективніше планувати запаси, виробництво та персонал. Це може призвести до значної економії коштів і підвищення ефективності.Документ Відкритий доступ Структурно-параметричний синтез капсульних нейронних мереж для розв’язання задачі обробки зображень(КПІ ім. Ігоря Сікорського, 2024) Кудрєв, Денис Олексійович; Синєглазов, Віктор МихайловичМагістерська дисертація: 126 c., 14 табл., 34 рис., 18 посилань, додаток. Цю роботу присвячено структурно-параметричному синтезу капсульних нейронних мереж. Задача структурно-параметричного синтезу полягає у знаходженні оптимальної структури та параметрів алгоритму штучного інтелекту для вирішення поставленої задачі. Виконано дослідження сучасних методів та реалізацій капсульних нейронних мереж, проаналізовано їх переваги та недоліки, обрано найкращі підходи для вирішення задачі. У цій роботі розроблено методологію структурно-параметрично синтезу капсульних нейронних мереж, основою якого є гібридний алгоритм. Гібридний алгоритм складається з генетичного алгоритму та градієнтного алгоритму (Adam). У результаті використання гібридного алгоритму знайдено оптимальну топологію та параметри капсульної нейронної мережі для вирішення задачі класифікації. Результати роботи прийнято до опублікування у фаховому періодичному виданні категорії Б.Документ Відкритий доступ Класифікація онкологічних захворювань шкіри методами напівкерованого навчання(КПІ ім. Ігоря Сікорського, 2024) Зарицький, Олексій Олексійович; Данилов, Валерій ЯковичМагістерська дисертація: 131c., 27 рис., 13 табл., 1 додаток, 12 посилань. Об’єкт дослідження – ідентифікація ракових захворювань шкіри. Предмет дослідження – використання методів напівкерованого навчання для покращення якості глибоких нейронних мереж для датасетів з великим відсотком нерозмічених даних, дослідження ефективності різних методів напівкерованого навчання для задачі ідентифікації ракових захворювань шкіри. Мета роботи – використання різних методів напівкерованого навчання для тренування базової моделі та порівняння її ефективності на тестовій вибірці. У цій роботі досліджено застосовність різних методів semisupervised learning для прикладної задачі, а саме задачі класифікації ракових захворювань шкіри по фотографіям, визначено найефективніші та найстабільніші методи для даного класу задач. У якості базової моделі взято просту згорткову нейронну мережу, яка навчалася за допомогою методів Proxy Labeling, Democratic Co-train, MixMatch, Ladder Network у різних модифікаціях та з різними значеннями гіперпараметрів на датасеті HAM10000 із 10% та 5% розмічених даних у тренувальній вибірці. Метричні показники всіх навчених варіантів моделей було порівняно та використано для аналізу найефективнішого методу напівкерованого навчання для даної задачі. Найефективнішими та найстабільнішими методами виявилися Ladder Network та Democratic Co-Train з учителем ResNet18. Результати цієї роботи рекомендується використовувати для навчання класифікаційних моделей в медичних даних. Результати цієї роботи були апробовані на міжнародній конференції.Документ Відкритий доступ Прогнозування криптовалют на основі історичних даних та даних соціальних медіа на основі глибокого навчання(КПІ ім. Ігоря Сікорського, 2024) Олійник, Богдан Олександрович; Данилов, Валерій ЯковичМагістерська дисертація: 105 с., 32 рис., 19 табл., 19 посилань. Об’єктом дослідження є криптовалютна біржа з 2014 по кінець 2023 року, саме ціна на біткоїн за цей період. Також досліджуються твіти з Твіттеру за період з 2018 по кінець 2023 року. Предметом дослідження є прогнозування ціни на біткоїн за допомогою штучного інтелекту. При цьому цей процес буде складатися з аналізу тональності новин, історичної ціни та об’єму біткоїну. Мета роботи – дослідити існуючі підходи для прогнозування фінансових ринків, семантичного аналізу новин. Вибрати найкращі підходи та створити на їх базі власну систему з комплексним підходом для прогнозування криптовалюти. Виконано дослідження існуючих підходів для прогнозування часових рядів, з них найкращим стала рекурентна нейронна мережа – LSTM. Досліджені підходи в сфері NLP для аналізу тональності новин. В результаті виконання роботи розроблена система для прогнозування ціни біткоїну. Система складається з трьох підсистем: підсистема збору даних, семантичного аналізу твітів, прогнозування ціни на біткоїн. Результати роботи прийнято до опублікування у періодичному виданні, яке індексуєтсья у наукометричній базі Scopus.Документ Відкритий доступ Інтелектуальна система довгострокового прогнозування на основі ансамблю нейронних мереж(КПІ ім. Ігоря Сікорського, 2024) Самошин, Андрій Олександрович; Чумаченко, Олена ІллівнаМагістерська дисертація: 111 с., 29 табл., 22 рис., 40 посилань, 1 додаток. Актуальність даної роботи полягає в необхідності створення надійних систем довгострокового прогнозування для потреб до нестабільності через глобальні виклики, такі як зміна клімату, економічні кризи та технологічні перетворення. Об’єктом дослідження є задача довгострокового прогнозування. Предметом дослідження є методи ансамблювання та їх модифікації, що базуються на нейронних мережах. Метою дослідження є реалізація та застосування ансамблю нейронних мереж та його модифікацій для довгострокового прогнозування. Науковою новизною роботи є розробка та впровадження модифікованого методу ансамблювання, що враховує новизну кожного спостереження із навчальної вибірки, приділяючи більше уваги новішим. У результаті дослідження було побудовано інструмент довгострокового прогнозування, який враховує важливість тренувальних спостережень в залежності від їх новизни, що дає змогу зменшити перенавчання від старих даних, а також швидше підлаштовуватись під актуальну ситуацією. Проведено порівняльний аналіз з існуючими методами довгострокового прогнозування на основі прикладної задачі довгострокового прогнозування продажів. Результати цієї роботи можна застосувати для розв'язання подібних задач довгострокового прогнозування, зокрема для підвищення якості та стабільності результатів. Результати роботи опубліковано в статті у фаховому виданні категорії Б та представлено на науково-практичній конференції.Документ Відкритий доступ Розробка і дослідження нейронних мереж для задач оптичного розпізнавання символів(КПІ ім. Ігоря Сікорського, 2024) Сєліхов, Валерій Віталійович; Купенко, Ольга ПетрівнаМагістерська дисертація: 104 с., 13 рис., 25 табл., 33 посилання, додаток. Тема магістерської дисертації: «Розробка і дослідження нейронних мереж для задач оптичного розпізнавання символів». Мета роботи – прискорення у роботі виконання і покращення точності для задач оптичного розпізнавання символів. Об’єкт дослідження – нейронні мережі, їх можливості та перспективи у сфері оптичного розпізнавання символів. Предмет дослідження – моделі та методи застосування нейронних мереж для задач оптичного розпізнавання символів, шляхи покращення існуючих методів та систем. Для досягнення мети були поставлені такі задачі. 1. Огляд предметної області та аналіз існуючих рішень, архітектур нейромереж. 2. Розробка нових підходів на основі використання елементів глубокого навчання. 3. Розробка програмного комплексу, який забезпечуватиме просте використання розроблених методів для вирішення задачі оптичного розпізнавання символів. Програмний продукт реалізовано з використанням мови програмування Python який надає широкий спектр бібліотек для навчання нейронних мереж та аналізу даних. Результати роботи апробовано на МНПК, публікації якої індексуються у наукометричній базі Scopus.Документ Відкритий доступ Розробка моделей машинного навчання для прогнозування рівня загроз сталому розвитку країн Європи(КПІ ім. Ігоря Сікорського, 2024) Ткаченко, Іванна Олексіївна; Пишнограєв, Іван ОлександровичМагістерська дисертація: 104 с., 32 табл., 29 рис., 61 посилання, 2 додатки. Мета дослідження полягає в аналізі потенційних можливостей сучасних методів машинного та глибинного навчання для прогнозування часових рядів; розробленні моделі машинного навчання для кластеризації країн Європи та подальшого прогнозування рівня загроз їх сталому розвитку на основі відкритих даних. Об’єкт дослідження: загрози сталому розвитку країн Європи. Предмет дослідження: методологія оцінювання рівня сталого розвитку, методи машинного навчання для вирішення задачі кластеризації та прогнозування часових рядів з метою прогнозування рівня загроз сталому розвитку країн Європи на основі відкритих даних. Наукова новизна: запропоновано власне алгоритмічне забезпечення для прогнозування рівня загроз сталому розвитку, яке засновано на поєднанні штучних нейронних мереж та методів прогнозування часових рядів. Цей алгоритм відрізняється тим, що рівень загроз визначаємо через групу соціально-економічних показників, що збільшує точність прогнозування. Результати роботи впроваджено в роботу ННЦ «Світовий центр даних з геоінформатики та сталого розвитку» (акт No 1009/23-1д від 9 жовтня 2023 року). Частину результатів роботи отримано в межах НДР (реєстраційний номер 0120U102060). Основні положення дослідження доповідалися на трьох конференціях та висвітлено у двох публікаціях автора у виданнях, одне з яких індексується міжнародною наукометричною базою даних Scopus, друге — фахове видання категорії Б.Документ Відкритий доступ Система прогнозування фінансових фрактальних ринків з використанням генеративно-змагальних нейронних мереж(КПІ ім. Ігоря Сікорського, 2024) Ярошенко, Олександр Романович; Данилов, Валерій ЯковичДипломна робота: 131 с., 30 рис., 29 табл., 26 посилань, додаток. Мета роботи – розробити систему прогнозування руху цін на криптовалютному ринку, з використанням генеративно-змагальних мереж та фрактальної розмірності, для подальшого застосування в роботі фінансових компаній. Об’єкт дослідження – дані руху ціни криптовалютної пари BTC/USD та дані руху ціни індекса Доу-Джонса. Предмет досліджень – методи прогнозування поведінки сучасних фрактальних фінансових ринків. Новизна дослідження полягає в виявленні фрактальних властивостей даних сучасних фінансових ринків, розробка архітектур генеративно-змагальних нейронних мереж глибокого навчання TimeGAN з врахуванням регуляризаторів, що містять фрактальну розмірність. У цій роботі запропоновано СППР для прогнозування динаміки цін криптовалютної пари BTC/USD з врахуванням фрактальної структури фінансових ринків та їх фрактальних розмірностей. За результатами роботи видано дві публікації в збірниках закордонних науково-практичних конференцій.Документ Відкритий доступ Аналіз наукових статей за допомогою методів штучного інтелекту(КПІ ім. Ігоря Сікорського, 2024) Овчаренко, Олександр Сергійович; Шаповал, Наталія ВіталіївнаМагістерська дисертація: 88 с., 16 табл., 24 рис., 20 посилань, 1 додаток Мета дослідження полягає у аналізі сучасних тенденцій в класифікації наукових статей за допомогою штучного інтелекту; вирішенні задачі класифікації наукових статей та знаходження найкращого набору параметрів для графових нейронних мереж. Об’єкт дослідження: набір дата сетів Planetoid, а саме Cora та Citeseer. Предмет дослідження: методи класифікації наукових статей, методи машинного навчання для вирішення задач класифікації наукових статей, графові нейронні мережі та їх модифікації для задачі класифікації наукових статей на основі відкритих даних. Наукова новизна: знайдені оптимальні набори обраних початкових параметрів для графових нейронних мереж для їх використання в подальших моделях, що класифікують наукові статті. У межах подальшого дослідження пропонується розширити кількість моделей для класифікації та додавання нових метрик оцінювання точності класифікації наукових статей. Основні положення дослідження доповідались на конференції.Документ Відкритий доступ Побудова рекомендаційної системи з використанням підходів штучного інтелекту для e-commerce проекту(КПІ ім. Ігоря Сікорського, 2024) Фролкін, Володимир Юрійович; Гуськова, Віра ГеннадіївнаМета роботи - дослідження методів та алгоритмів побудови рекомендацій, і підвищення їх ефективності та подальша інтеграція обраного алгоритму в існуючий маркетплейс. Об’єкт дослідження - процес створення рекомендаційної системи для вибору товару на маркетплейсі Bigl.ua. Предмет дослідження - методи і алгоритми, які використовуються для створення таких систем персоналізації товарів. Для досягнення мети були поставленні такі задачі: - огляд предметної області та аналіз існуючих рішень, архітектур нейромереж; - розробка нових підходів на основі використання елементів глубокого навчання; - розробка програмного комплексу, який забезпечуватиме просте використання розроблених методів для вирішення задачі побудови системи рекомендацій. Програмний продукт реалізовано з використанням мови програмування Python який надає широкий спектр бібліотек для навчання нейронних мереж та аналізу даних. Результати апробовано на МНТК.Документ Відкритий доступ Застосування штучного інтелекту для прогнозування ринкової вартості житла(КПІ ім. Ігоря Сікорського, 2024) Пінчук, Максим Олександрович; Гуськова, Віра ГеннадіївнаМагістерська дисертація: 68 с., 22 рис., 22 табл., 1 дод., 25 посилань. Об’єкт дослідження: ринкова вартість житла. Предмет дослідження: машинне навчання, нейронні мережі. Мета роботи полягає у розширенні знань про застосування штучного інтелекту в аналізі ринку житла та розробці ефективних методів прогнозування цін на житло. Результати дослідження можуть сприяти покращенню процесів прийняття рішень у галузі нерухомості та впровадженню нових інструментів для прогнозування ринкової вартості житла. Результатом дисертаційної роботи є розроблення та валідація моделей штучного інтелекту для прогнозування ринкової вартості житла. Ці моделі можуть використовувати методи машинного навчання, нейронні мережі та інші підходи для аналізу даних про нерухомість та прогнозування цін. Подальший розвиток предмету дослідження – розгляд більш складних методів для прогнозування та аналізу даних. Основні положення дослідження доповідалися на конференції «Системи і технології зв’язку, інформатизації та кібербезпеки: актуальні питання і тенденції розвитку».Документ Відкритий доступ Великі мовні моделі в розробці текстових ігор(КПІ ім. Ігоря Сікорського, 2024) Підвальна, Анна Юріївна; Шаповал, Наталія ВіталіївнаОб’єкт дослідження: набір фактів, питань та відповідей для текстових ігор. Предмет дослідження: великі мовні моделі, їх можливості та перспективи у розробці текстових ігор. Мета дослідження: створення моделі, яка здатна генерувати питання для гри або формулювати їх на основі запропонованих фактів для автоматизації написання вмісту інтелектуальних ігор. У ході роботи досліджено можливість великих мовних моделей допомогти в автоматизації написання вмісту текстових ігор, також було розглянуто проблему галюцинацій і методи їх подолання. У результаті побудовано алгоритм, що зменшує проблему галюцинацій, здатен генерувати питання, відповідь, пояснення та джерело для інтелектуальних ігор випадковим чином на задану тему або факт, використовуючи при цьому цікаві формулювання і логіку. Також було досліджено вплив розміру датасету на адекватність алгоритму, що був розроблений.Документ Відкритий доступ Глибоке навчання з підкріпленням для керування дроном в задачі переслідування(КПІ ім. Ігоря Сікорського, 2024) Рибалко, Анастасія Анатоліївна; Касьянов, Павло ОлеговичОб’єкт дослідження – завдання керування дроном в рамках задачі переслідування об’єктів. Предмет дослідження – застосування методів глибокого навчання з підкріпленням для вирішення завдання керування дроном у задачі переслідування об'єктів. Мета роботи – розробка та оптимізація системи керування дроном на основі глибокого навчання з підкріпленням з метою ефективного переслідування об'єктів в умовах обмежених обчислювальних ресурсів. Досліджено, наскільки використання навчання з підкріпленням є життєздатним методом для ведення переслідування за допомогою автономного дрона. Результати показали, що існує потенціал у використанні методів RL, зокрема мереж DQN та PPO, для цього завдання, особливо у порівнянні із прямими статичними підходами. Крім того, реалізація представлень стану, які включають інформацію про динамічні рухи об’єктів та їхні відстані, демонструє значні переваги перед алгоритмами RL, які покладаються виключно на вхідні дані камери. Результати цієї роботи рекомендується використовувати для навчання моделей напівкерованого навчання в задачах переслідування. Результати цієї роботи заплановано апробувати на міжнародній конференції.Документ Відкритий доступ Розробка моделі машинного навчання для прогнозування попиту нових продуктів на основі їхніх характеристик(КПІ ім. Ігоря Сікорського, 2024) Дудін, Владислав Володимирович; Пишнограєв, Іван ОлександровичМагістерська дисертація: 99 с., 6 рис., 22 табл., додаток, 45 посилань. Об’єкт дослідження – процеси виведення нових продуктів на ринок. Предмет дослідження – моделі машинного навчання для прогнозування попиту нових продуктів на основі характеристик даних продуктів. Мета роботи – пошук та дослідження моделей для прогнозування попиту нових продуктів на основі їхніх характеристик, розробка власної системи прогнозування попиту нових продуктів. Прогнозування нових продуктів є більш комплексною задачею, якщо порівнювати з прогнозуванням попиту на продукти, які вже присутні на ринку. Новизна та актуальність роботи полягає у розгляді нової системи прогнозування попиту нових продуктів, де основними ознаками при прогнозі виступають кількісні та якісні характеристики продуктів. На основі дослідження вже наявних систем пропонується комплексна система на основі моделей машинного навчання. Система прогнозування реалізована за допомогою мови програмування Python. Отримані результати свідчать про достатньо високу точність розробленої системи у порівнянні із аналогічними методами. Подальше дослідження може мати напрям покращення конфігурації системи під різні сегменти ринку, а також додавання більш гнучкого прогнозу (наприклад, квантилями). Роботу апробовано на міжнародній науково-практичній конференції.Документ Відкритий доступ Інтелектуальне виявлення та відстеження рухомих об'єктів за відеоданими, отриманих за допомогою безпілотних літальних апаратів(КПІ ім. Ігоря Сікорського, 2024) Гамоцький, Зіновій Віталійович; Чумаченко, Олена ІллівнаОб’єктом дослідження є відеоряд з транспортом, отримані з БПЛА. Предметом дослідження є методи препроцесингу зображень, розпізнавання та відстеження багатьох об’єктів. Метою роботи є підвищення якості розпізнавання та відстеження транспорту за відеорядом з БПЛА через використання методів препроцесингу зображень. Розроблення системи препроцесингу, розпізнавання та відстеження транспорту. Завдання: огляд переваг і недоліків сучасних підходів до розпізнавання об’єктів на зображенні; огляд існуючих рішень для відстеження багатьох об’єктів за відеорядом; розробка системи для розпізнавання і відстеження техніки в режимі реального часу на основі YOLOv8 та BYTE Track; проведення дослідження ефективності розробленої системи з різними методами препроцесингу зображення на обраному наборі даних. Основні результати: розроблено системи для розпізнавання і відстеження техніки в режимі реального часу на основі YOLOv8 та BYTE Track; підвищено середню точність розпізнавання об’єктів мережі YOLOv8 завдяки використанню мережі Deblur GAN для видалення розмиття. Практичне значення дослідження полягає у створенні системи для швидкого та точного розпізнавання і відстеження техніки в режимі реального часу, використовуючи камеру БПЛА.
- «
- 1 (current)
- 2
- 3
- »