Розробка системи виявлення аномалiй в багатовимiрних даних з використанням глибинного навчання

Скорочена інформація про документ
dc.contributor.advisorЯворський, Олександр Андрійович
dc.contributor.authorКириленко, Павло Олександрович
dc.date.accessioned2023-09-10T18:39:57Z
dc.date.available2023-09-10T18:39:57Z
dc.date.issued2023
dc.description.abstractКвалiфiкацiйна робота мiстить: 57 стор., 24 рисунки, 4 таблиць, 16 джерел. Через значний рiст даних, якi отримуються з датчикiв як за обсягами (кiлькiсь записiв), так i за розмiрнiстю (кiлькiсть ознак) традицiйнi статистичнi методи аналiзу простору станiв або контрольованi iнструменти навчання вже не є ефективними. Тому постає проблема розробки нових методiв. Мета роботи полягає в розробцi системи виявлення аномалiй в багатовимiрних даних з використанням глибинного навчання. Ця система включає предобробку даних, побудову моделей, теоретична та практична оцiнка моделей, порiвняння моделей на рiзних датасетах. У ходi виконання роботи було проведенi експерименти над моделями, якi належать рiзним пiдходам вирiшення цiєї задачi. В цiй роботi розглядаються RNN LSTM медель на основi прогнозування часових рядiв та модель RANCoders на основi реконструкцiї, а також їхнi модифiкацiї SynLSTM, RANSynCoders (що використовують iнформацiю про те, що ряди є асинхронними). В цiй роботi було доведена ефективнiсть запропонованих моделей для застосування в серверних системах. Що може свiдчити про те, що моделi глибинного навчання є спроможними розв’язувати такi задачi на високому рiвнi.uk
dc.description.abstractotherThe qualification work contains: 57 pages, 24 figures, 4 tables, 16 sources. Due to the significant growth of sensor data both in volume (number of records) and dimensionality (number of features), traditional statistical methods of state space analysis or supervised learning tools are no longer effective. Therefore, the problem of developing new methods arises. The purpose of the work is to develop a system for detecting anomalies in multidimensional data using deep learning. This system includes data preprocessing, model building, theoretical and practical evaluation of models, comparison of models on different datasets. In the course of the work, experiments were conducted with models belonging to different approaches to solving this problem. This paper examines the RNN LSTM model based on time series forecasting and the RANCoders model based on reconstruction, as well as their modifications SynLSTM, RANSynCoders (which use the information that the series are asynchronous). This work proved the effectiveness of the proposed models for use in server systems. Which may indicate that deep learning models are capable of solving such problems very well.uk
dc.format.extent57 с.uk
dc.identifier.citationКириленко, П. О. Розробка системи виявлення аномалiй в багатовимiрних даних з використанням глибинного навчання : дипломна робота … бакалавра : 113 Прикладна математика / Кириленко Павло Олександрович. – Київ, 2023. – 57 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60150
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectвиявлення аномалiйuk
dc.subjectanomaly detectionuk
dc.subjectбагатовимiрнi данuk
dc.subjectmultidimensional datauk
dc.subjectсинхронiзацiя часових рядiвuk
dc.subjecttime series synchronizationuk
dc.subjectRNN LSTMuk
dc.subjectAEuk
dc.subjectransyncodersuk
dc.subjectнавчання без учителяuk
dc.subjectunsupervised learninguk
dc.titleРозробка системи виявлення аномалiй в багатовимiрних даних з використанням глибинного навчанняuk
dc.typeBachelor Thesisuk

Файли

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

Зібрання

Бакалаврські роботи (ММАД)
Бакалаврські роботи