Яворський, Олександр АндрійовичКириленко, Павло Олександрович2023-09-102023-09-102023Кириленко, 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.https://ela.kpi.ua/handle/123456789/60150Квалiфiкацiйна 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.57 с.ukвиявлення аномалiйanomaly detectionбагатовимiрнi данmultidimensional dataсинхронiзацiя часових рядiвtime series synchronizationRNN LSTMAEransyncodersнавчання без учителяunsupervised learningBachelor Thesis