Шушура, Олексій МиколайовичСавчук, Анна Іванівна2024-02-232024-02-232023Савчук, А. І. Аналіз даних з використанням мікросервісної архітектури для навчання нейронних мереж : магістерська дис. : 122 Комп’ютерні науки / Савчук Анна Іванівна. – Київ, 2023. – 90 с.https://ela.kpi.ua/handle/123456789/64909Магістерська дисертація на тему «Аналіз даних з використанням мікросервісної архітектури для навчання нейронних мереж». Дисертація містить 90с. тексту, 18 рисунків, 29 таблиць, 20 джерел та 1 додаток. Актуальність теми. У сучасному інформаційному суспільстві, що стрімко розвивається, обробка та аналіз даних стають ключовими аспектами для прийняття обґрунтованих рішень в різних сферах. Сфера машинного навчання і нейронних мереж, як одна з її складових, стає основою для створення інтелектуальних систем, здатних вчитися та адаптуватися до змін в оточенні. Застосування мікросервісної архітектури для навчання нейронних мереж може покращити швидкість та точність моделей, зробивши їх ефективнішими у реальному часі. Мета та завдання дослідження. Метою даної роботи є розробка програмного забезпечення для аналізу та прогнозування даних з використанням мікросервісної архітектури для навчання нейронних мереж. Для досягнення поставленої мети необхідно виконати наступні завдання: − дослідити методи навчання нейронних мереж для проведення аналізу та прогнозування даних; − реалізувати навчання нейронної мережі у вигляді моделі багатошарового персептрону; − спроектувати мікросервісну архітектуру для системи аналізу даних; − проаналізувати та обрати технології для реалізації клієнтської та серверної частин; − проаналізувати та обрати систему управління базами даних; − провести тестування системи для перевірки функціональності, надійності та якості програмного продукту. Об’єкт дослідження. Процес аналізу даних та навчання нейронних мереж на основі мікросервісної архітектури. Предмет дослідження. Методи та програмне забезпечення аналізу даних та навчання нейронних мереж з використанням мікросервісної архітектури. Методи дослідження. Для виконання поставлених задач були використані наступні методи: розробка мікросервісної архітектури, експериментальне моделювання, методи кластерного аналізу, порівняльний аналіз, використання багатошарового персептрону.90 с.ukМікросервісна архітектуранейронні мережіглибоке навчанняаналіз данихMicroservice architectureneural networksdeep learningdata analysisMaster Thesis004. 8