Система виявлення мережевих втручань з використанням машинного навчання

Скорочена інформація про документ
dc.contributor.advisorБоярінова, Юлія Євгенівна
dc.contributor.authorСавосько, Олександра Миколаївна
dc.date.accessioned2020-07-04T14:22:19Z
dc.date.available2020-07-04T14:22:19Z
dc.date.issued2020-06
dc.description.abstractДипломний проєкт складається з 62 сторінок, 44 рисунків, 4 таблиць. В дипломному проєкту досліджено придатність методів машинного навчання до задачі класифікації мережевих втручань. У роботі виконано порівняльний аналіз існуючих рішень для виявлення аномалій в мережі. За результатом проведеного аналізу було сформовано функціональні вимоги системи, що розробляється. В дипломному проєкті реалізовано шість оптимальних моделей класифікації з використанням різних алгоритмів машинного навчання,а саме: Рандомний ліс, Дерево рішень, Метод k найближчих сусідів, Метод опорних векторів, Логістична регресія, Градієнтне прискорення. Проведений аналіз створених моделей за допомогою метрик якості: fit_time, score_time, accuracy, f1_weighted, recall, auc_roc. Дипломний проєкт виконано мовою програмування Python з використанням інструменту для ітерактивної розробки даних у сфері Data Science, а саме Jupyter Notebook, надано можливості використання алгоритмів машинного навчання, для класифікації мережевих втручань, обраний найкращий алгоритм для даної задачі.uk
dc.description.abstractenThe diploma project consists of 62 pages, 44 images, 4 tables. The purpose of the diploma project is to explore the applicability of machine learning techniques to the classification of the network interventions. The comparative analysis of existing analog solutions for identifying network anomalies was conducted in the project. The advantages and disadvantages were described. As results of the analysis functional requirements for the the developed models were formed. Six optimal classification models using different machine learning algorithms such as Random Forest, Decision tree, k Nearest Neighbor, Support Vector Machine,Logistic regression, Gradient Boosting, implemented in the diploma project. Also a quality metrics analysis of the models created by: fit_time, score_time, accuracy, f1_weighted, recall, auc_roc. As a result of this project, acquired skills in the Python programming language using the iterative tool for development in the field of Data Science, namely Jupyter Notebook. I learned the possibility of using machine learning algorithms to classify network interventions, was selected the best algorithm for this problem.uk
dc.format.page75 с.uk
dc.identifier.citationСавосько, О. М. Система виявлення мережевих втручань з використанням машинного навчання : дипломний проєкт ... бакалавра : 123 Комп'ютерна інженерія / Савосько Олександра Миколаївна. – Київ, 2020. – 75 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/34796
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectмашинне навчанняuk
dc.subjectкласифікаціяuk
dc.subjectматематична модельuk
dc.subjectлогістична регресіяuk
dc.subjectдерево рішеньuk
dc.subjectградієнтне прискоренняuk
dc.subjectрандомний лісuk
dc.subjectметод k найближчих сусідів(k-NN)uk
dc.subjectметод опорних вікторівuk
dc.subjectметрикаuk
dc.subjectmachine learninguk
dc.subjectclassificationuk
dc.subjectmathematical modeluk
dc.subjectlogistic regressionuk
dc.subjectdecision treeuk
dc.subjectgradient boostinguk
dc.subjectrandom forestuk
dc.subjectk nearest neighboruk
dc.subjectsupport vector machineuk
dc.subjectmetricsuk
dc.titleСистема виявлення мережевих втручань з використанням машинного навчанняuk
dc.typeBachelor Thesisuk

Файли

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

Зібрання

Бакалаврські роботи (СПСКС)
Бакалаврські роботи