Оптимізація алгоритмів машинного навчання для прискорення прогнозування на великих обсягах даних

Скорочена інформація про документ
dc.contributor.advisorКублій, Лариса Іванівна
dc.contributor.authorСергєєв, Данило Вікторович
dc.date.accessioned2024-02-20T09:43:46Z
dc.date.available2024-02-20T09:43:46Z
dc.date.issued2023
dc.descriptionДослідження спрямоване на розробку додатку для оптимізації алгоритмів машинного навчання з метою прискорення і підвищення точності прогнозування на великих обсягах даних. Результати можуть знайти застосування у фінансах, медицині та Інтернет-сервісах, сприяючи якісному прийняттю рішень. Результати дослідження також корисні для вчених, які вивчають дані великих обсягів і штучний інтелект.
dc.description.abstractМета роботи. Основною метою даної роботи є розробка додатку для оптимізації алгоритмів машинного навчання для швидкого та ефективного прогнозування на великих обсягах даних. Робота спрямована на покращення продуктивності і точності моделей машинного навчання при роботі з великими наборами інформації. Об’єкт дослідження. Методи оптимізації машинного навчання для великих обсягів даних. Предмет дослідження. Прискорення прогнозування на великих обсягах даних із застосуванням оптимізації алгоритмів і моделей машинного навчання. Практична цінність. Отримані результати дослідження можуть бути використані в різних сферах, таких як фінанси, медицина, Інтернет-сервіси тощо, де швидкі й точні прогнози на великих обсягах даних є критично важливими. Оптимізовані алгоритми можуть сприяти покращенню якості прийняття рішень на основі аналізу великих наборів інформації. Також вони можуть бути корисними для науковців і дослідників, які займаються вивченням великих даних і штучного інтелекту. Дисертація складається із вступу, п’яти розділів, висновків і списку використаних джерел. Загальний обсяг дисертації становить 116 сторінок, у тому числі 96 сторінок основного тексту, 2 таблиці, 29 рисунків, 2 додатки, список використаних джерел містить 45 джерел.
dc.description.abstractotherObjective of the topic. The primary goal of this work is to develop an application for optimizing machine learning algorithms to achieve fast and effective forecasting on large datasets. The research aims to enhance the productivity and accuracy of machine learning models when dealing with extensive sets of information. Object of research: Methods of optimizing machine learning for large datasets. Subject of research: Accelerating forecasting on large datasets through the application of optimization techniques to machine learning algorithms and models. Practical value: The research findings can be applied across various domains such as finance, medicine, internet services, etc., where quick and accurate forecasts on large datasets are crucial. The optimized algorithms can contribute to improving decision-making quality based on the analysis of extensive information sets. Additionally, they can be valuable for scientists and researchers engaged in the study of big data and artificial intelligence. The dissertation comprises an introduction, five chapters, conclusions, and a list of references. The total length of the dissertation is 116 pages, including 96 pages of the main text, 2 tables, 29 figures, 2 appendices, and a list of 45 references.
dc.format.extent116 с.
dc.identifier.citationСергєєв, Д. В. Оптимізація алгоритмів машинного навчання для прискорення прогнозування на великих обсягах даних : магістерська дис. : 122 Комп’ютерні науки / Сергєєв Данило Вікторович. – Київ, 2023. – 116 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/64753
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.titleОптимізація алгоритмів машинного навчання для прискорення прогнозування на великих обсягах даних
dc.typeMaster Thesis

Файли

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

Зібрання

Магістерські роботи (ЦТЕ)
Магістерські роботи