Методи глибинного навчання для конструювання ознакового простору та кластеризації кібератак

Скорочена інформація про документ
dc.contributor.advisorКачинський, Анатолій Броніславович
dc.contributor.authorКатрич, Дар’я Сергіївна
dc.date.accessioned2023-06-07T09:17:04Z
dc.date.available2023-06-07T09:17:04Z
dc.date.issued2021
dc.description.abstractУ цьому дослідженні було проведено загальний огляд методів кластеризації, особливо приділяючи увагу методу вбудованої глибокої кластеризації (DEC) та методу к-середніх (k-means clustering). Для методу DEC визначено параметризоване нелінійне відображення з простору даних Х в більш низькорозмірний простір ознак Z, де оптимізовано мету кластеризації. В даній роботі використовується стохастичний градієнтний спуск (SGD) шляхом зворотнього розповсюдження на об’єкті кластеризації для вивчення відображення, яке параметризується глибокою нейронною мережею. У методі к-середніх оптимізовано стандартний метод використанням формул середнього та медіани. Для визначення кількості кластерів застосовано метод «ліктів» (Elbow method). На основі даних методів зроблено порівняльний аналіз результатів кластеризації.uk
dc.description.abstractotherIn a wide range of preliminaries, a gallant survey of clustering methods was carried out, especially with respect to the method of injected glybokoi clustering (DEC) and the method of k-means (k-means clustering). For the DEC method, the parameterized non-linear representation from the space of X is assigned to the larger low-space space of the sign Z, the meta clustering is de-optimized. In the days of robots, stochastic gradation descent (SGD) is used for the purpose of clustering for visualization, as if parameterized with a glide neural mesh. In the method of k-average, the standard method for calculating the formulas of the average and median is optimized. The Elbow method is used to designate a number of clusters. On the basis of these methods, a detailed analytical analysis of the results of clustering.uk
dc.format.extent58 с.uk
dc.identifier.citationКатрич, Д. С. Методи глибинного навчання для конструювання ознакового простору та кластеризації кібератак : дипломний проект … бакалавра : 25 Кібербезпека / Катрич Дар’я Сергіївна. – Київ, 2021. – 58 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/56740
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectкластерний аналiзuk
dc.subjectвиявлення аномалiйuk
dc.subjectдіаграма розкидуuk
dc.subjectдивергенція Кульбака- Лейблераuk
dc.subjectcluster analysisuk
dc.subjectdetection of anomaliesuk
dc.subjectdivergence of Kullback-Leibleruk
dc.subjectElbow methoduk
dc.titleМетоди глибинного навчання для конструювання ознакового простору та кластеризації кібератакuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Katrych_Bakalavr.pdf
Розмір:
1.68 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ІБ)
Бакалаврські роботи