Academic literature on the topic 'Алгоритми машинного навчання'

На прикладі туристичної галузі розглянуто розроблений алгоритм вироблення комплексних рекомендацій щодо вибору клієнтами товару чи отримання послуги, що максимально мають відповідати їхнім уподобанням і збереженні клієнтів й прибутків туристичними фірмами. З'ясовано, що рекомендаційні алгоритми використовують у багатьох інтернет-системах для надання споживачеві поради стосовно вибору клієнтами товару чи отримання послуги, які найбільше відповідають його уподобанням. Незважаючи на значне поширення рекомендаційних систем у різноманітних галузях (електронна комерція, розваги, послуги, соціальні мережі тощо), залишається невирішеним питання, пов'язане з вибором конкретного алгоритмічного підходу для певної області застосування. Наявні алгоритми здебільшого опрацьовують прості об'єкти і не дають змоги якісно вирішити задачу конструювання рекомендації з окремих складових, враховуючи їх сумісність між собою та шукаючи найкращий варіант з можливих комбінацій. Побудовано новий алгоритм для комплексної рекомендації на підставі удосконалення алгоритму колаборативної фільтрації за рахунок комбінації методів, заснованих на сусідстві, пам'яті та моделі з використанням машинного навчання для коригування ступеня значущості характеристик складових елементів комплексного рішення. Рішення практично реалізовано у формі програмного модуля для рекомендації туристичної подорожі, яка описується місцем відпочинку, маршрутами, готелем та екскурсіями. Особливостями побудованого алгоритму є використання концепції рейтингу користувача для надання збалансованих оцінок елементам турів та коригування коефіцієнтів важливості складових подорожі методом машинного навчання, що дає змогу їх виокремити як параметри моделі рекомендування. Отримані результати порівняно з результатами простіших реалізацій колаборативної фільтрації (засновані на пам'яті та сусідстві). Побудований алгоритм демонструє найкращі результати (30-60) % рекомендацій, що відповідають очікуванням користувача. Недоліки алгоритму виявляються у разі малої кількості даних і їх розрідженості.

Досліджено процес прогнозування дефектів у програмному забезпеченні (ПЗ) з використанням алгоритмів глибинного навчання. Показано, що цей процес складається з декількох основних етапів: пошук та підготовка даних, побудова абстрактного синтаксичного дерева (АСД), обхід дерева та кодування значень вершин у цілі числа, збалансування даних, побудова та навчання нейронної мережі. З'ясовано, що застосування цього процесу прогнозування дефектів у ПЗ може пришвидшити та полегшити пошук дефектів та відповідно знизити вартість їх виправлення. Встановлено, що передові алгоритми машинного навчання, які на цей момент використовуються на етапі побудови та навчання нейронної мережі, досі є недостатньо ефективними, щоб можна було застосовувати прогнозування дефектів у комерції, демонструючи нестабільну точність 40-60 %. За результатами досліджень встановлено, що застосування алгоритмів глибинного навчання дає точніші результати, ніж інші алгоритми машинного навчання. Для зниження дисперсії та підвищення середньої точності прогнозування запропоновано новий метод прогнозування дефектів у ПЗ на підставі поєднання двох останніх модифікацій алгоритмів глибинного навчання CNN та RNN за допомогою бінарного класифікатора логістична регресія. Проведено навчання нейронної мережі на наборі даних розміром 50 000 файлів вихідного коду, отриманих з 13-ти проєктів мовою Java. За результатами досліджень виявлено, що метод CNN+RNN в середньому дає на 10-9 % вищу точність, ніж RNN та на 2 % вищу точність, ніж CNN, що доводить доцільність використання поєднання алгоритмів глибинного навчання у задачі прогнозування дефектів. Проаналізовано точність методу CNN+RNN по кожному з ПЗ проектів з набору даних, унаслідок чого виявлено, що для 11-ти з 13-ти проєктів поєднання CNN+RNN дає не меншу точність, ніж окремо взяті CNN та RNN.

Одним з популярних напрямів сучасного прикладного нелінійного аналізу є дослідження варіаційних нерівностей та розробка методів апроксимації їх розв’язків. Багато актуальних проблем дослідження операцій, оптимального керування та математичної фізики можуть бути записані у формі варіаційних нерівностей. Негладкі задачі оптимізації можна ефективно розв’язувати, якщо їх переформулювати як сідлові задачі, а до останніх застосувати сучасні наближені алгоритми розв’язання варіаційних нерівностей. З появою генеруючих змагальних нейронних мереж (generative adversarial network, GAN) стійкий інтерес до застосування та дослідження ітераційних алгоритмів розв’язання варіаційних нерівностей виник і в середовищі фахівців в галузі машинного навчання. Дана робота присвячена дослідженню двох нових наближених алгоритмів з брегманівською проєкцією для розв’язання варіаційних нерівностей в гільбертовому просторі. Перший алгоритм, який ми називаємо алгоритмом операторної екстраполяції, отриманий заміною в методі Маліцького—Тама евклідової метрики на дивергенцію Брегмана. Привабливою рисою алгоритму є всього одне обчислення на ітераційному кроці проєкції Брегмана на допустиму множину. Другий алгоритм є адаптивним варіантом першого, де використовується правило поновлення величини кроку, що не вимагає знання ліпшицевих констант і обчислень значень оператора в додаткових точках. Для варіаційних нерівностей з псевдомонотонними, ліпшицевими та секвенційно слабко неперервними операторами, що діють в гільбертовому просторі, доведені теореми про слабку збіжність методів.

У роботі розглядаються алгоритми машинного навчання. Увага зосереджена на напівконтрольному навчанні, яке здається балансом між точністю навчання з учителем та витратами методів навчання без учителя. Розглядаються приклади ретельного опрацювання мічених наборів даних, для яких навчання під наглядом може бути дуже ефективним. Порівнюються підходи semi-supervised та supervised та проаналізована ефективність кожного. В роботі розглядаються підходи S3VM та TSVM. Метою роботи було дослідити чи можуть напівконтрольовані підходи конкурувати з контрольованими або навіть їх перевершити. Описується застосування даних підходів до запропонованого датасету для визначення більш точної класифікації даних, а саме на опорній межі.

Метою дослідження є вивчення процесів формування рекомендаційних інформаційних систем в електронній торгівлі та аналіз процесу навчання рекомендаційних систем з метою використання у навчальній дисципліні «Електронна торгівля». Задачами дослідження є вивчення загальної проблематики використання рекомендаційних систем електронної торгівлі, аналіз існуючих підходів до побудови рекомендаційних інформаційних систем в електронній торгівлі, вивчення механізмів впровадження рекомендаційних інформаційних систем в механізми електронної торгівлі. Об’єктом дослідження є процеси визначення споживчих пріоритетів в електронній торгівлі. Предметом дослідження є рекомендаційні системи та використання інформаційних засобів управління електронною торгівлею в навчальному процесі. У роботі проведено аналіз, узагальнення та систематизація досліджень з проблеми використання рекомендаційних інформаційних систем в електронній торгівлі. Проаналізовано типи та моделі рекомендаційних інформаційних систем, визначено методи та алгоритми побудови рекомендаційних систем на основі машинного навчання, розглянуто можливості використання алгоритмів машинного навчання для побудови різних типів рекомендаційних систем, досліджено інструментальні засоби для розробки рекомендаційної системи в електронній комерції. Розроблено завдання до лабораторного практикуму з дисципліни «Електронна торгівля» на основі використання рекомендаційних систем. Результати дослідження планується узагальнити для формування рекомендацій щодо використання рекомендаційних систем електронної торгівлі в навчальному процесі.

Стаття присвячена опису моделі конволюційної нейронної мережі для покращення роздільної здатності зображень на мобільних пристроях. В наш час мобільна фотографія стає все більш і більш популярною. Багато людей вибирають у якості основного пристрою для створення фото свій смартфон, оскільки це значно зручніше, швидше та дешевше за спеціалізовану камеру. Нажаль, висока роздільна здатність і якість фото доступна лише покупцям дорогих смартфонів. Саме тому актуальною є проблема покращення роздільної здатності та чіткості фотографій є неймовірно актуальною. Традиційні алгоритми без використання машинного навчання демонструють непогані результати і не потребують великого обсягу часу, потрібного на підбір наборів даних, що необхідні для тренування нейронної мережі, та, власне, на сам процес тренування. Проте, іх ефективність та якість результату значно гірша ніж у підходів з використанням нейронних мереж. Саме тому пропонується застосувати гібридний метод обробки зображень, що базується на конволюційних нейронних мережах. Структура мережі відрізняється від класичних підходів комбінацією обробки нейронною мережею та одним з більш традиційних алгоритмів обробки зображень. Запропонавана системавикористовує конволюційні нейронні мережі замість традиційних генеративних змагальних мереж. Запропонована архітектура мережі використовує автокодувальник, який вчиться на різких зображеннях шляхом вилучення ознак. Після навчання вихідне зображення пропускається через автокодувальник. Після видалення шумів та застосування корекцій, декодер створює з цих даних необхідне різке зображення. Після обробки нейронною мережею, застосовується алгоритм Unsharp Masking з буфером глибини для покращення контрасту і яскравості результуючого зображення. У статті наведено перелік переваг використання вищезазначеної системи. Бібл. 5, іл. 1.

Міждисциплінарний характер нових цілей, спрямованих на розробку робочих матеріалів для екологічно чистих технологій вимагає більш динамічного використання інформаційних технологій (ІТ) для забезпечення правильних компромісних рішень у конкурентному середовищі. Машинне навчання (ML) — це частина методологій штучного інтелекту (AI), яка використовує алгоритми, які не є прямим рішенням проблеми, а навчаються за допомогою рішень незліченної кількості подібних проблем. Машинне навчання відкрило новий шлях у дослідженні термодинамічної поведінки нових речовин. Різні обчислювальні інструменти були застосовані для вирішення актуальної проблеми - прогнозування фазової поведінки soft речовин під значними екзогенними впливами. Метою цього дослідження є розробка нової точки зору щодо прогнозування термодинамічних властивостей м'яких речовин за допомогою методології, яка передбачає штучні нейронні мережі (ANN) та глобальну фазову діаграму для забезпечення кореляції між структурою та властивостями. В роботі представлено застосування машинного навчання в інженерній термодинаміці для прогнозування азеотропної поведінки бінарних холодоагентів і визначення коефіцієнта продуктивності (COP) для роботи органічного циклу Ренкіна (ORC). За даними про кипіння та критичні точки. Запропоновано новий підхід до прогнозування утворення азеотропного стану в суміші, який розроблено та представлено. Цей підхід використовує синергію нейронних мереж та методології глобальної фазової діаграми для кореляції азеотропних даних для бінарних сумішей на основі лише критичних властивостей та ацентричного коефіцієнта окремих компонентів у сумішах холодоагентів. Це не вимагає інтенсивних розрахунків. Побудова кореляцій ANN між інформаційними атрибутами робочих рідин та критеріями ефективності циклу Ренкіна звужує область компромісів у просторі конкурентних економічних, екологічних та технологічних критеріїв

В статті представлено з.начення машинного навчання у сучасному світі. Звернуто особливу увагу на використання алгоритмів машинного навчання в медицині, зокрема використання різноманітних моделей, починаючи від регресії, SVM, випадкових лісів для контрольованого навчання та PCA для неконтрольованого. Підкреслюються основні невизначеності та завдання машинного навчання, що виникають у основних медичних додатках (діагностика, лікування та профілактика). Математично описано проблеми машинного навчання в медичних дослідженнях. Оптимізація є важливою частиною машинного навчання. Основна увага приділена мінімаксному підходу у машинному навчанні. Розглянуто ряд мінімаксних підходів таких, як: Minimax Probability Machine (MPM), Generalized Hidden-Mapping Minimax Probability Machine (GHM-MPM), Minimum Error Minimax Probability Machine (MEMPM), парна мінімаксна ймовірність екстремального нахилу машини (TMPELM), машина подвійної мінімаксної ймовірності (TWMPM) та деякі інші.

Проблематика. Метод групового урахування аргументів є доволі недооціненим інструментом для отримання високоточних прогностичних моделей. Перший варіант штучної нейронної мережі (які користуються величезною популярністю в світі машинного навчання) був отриманий в 1965 році українським вченим Олексієм Івахненко, який як раз використовував метод групового урахування аргументів для навчання мережі. Відомо, що даний підхід має місце фактично в будь-якій проблематиці, і не виключенням є задача розпізнавання ішемічної хвороби серця по відеоданим спекл-трекінг ехокардіографії. Вирішення подібної задачі є актуальним, оскільки це надасть можливість аналізувати ехокардіограми навіть якщо вони не оснащені технологією спекл-трекінг. Мета. Методом групового урахування аргументів за даними спекл-трекінг ехокардіографії побудувати класифікаційні алгоритми діагностики порушень кінематики скорочень лівого шлуночка серця у хворих на ішемічну хворобу серця в умовах стану спокою, та при застосуванні ехострестесту із добутаміновою пробою. Методика реалізації. Національним інститутом серцево-судинної хірургії імені М.М. Амосова були надані відеодані, отримані за допомогою методу спекл-трекінг ехокардіографії, яким було обстежено 56 пацієнтів з підозрою на ішемічну хворобу серця. Серед них лише у 16 пацієнтів патологію виявлено не було. Ехокардіографія реєструвалась у B-режимі за трьома позиціями: довгої вісі, 4-камерної та 2-камерної позиціях. Усього для дослідження було використано 6245 кадрів відео потоку: 1871 – без порушень серцевої діяльності, та 4374 – при наявності патології під час обстеження. Результати дослідження. Методом групового урахування аргументів було одержано 12 моделей класифікації з урахуванням доз добутаміну (0, 10, 20 і 40 мкг), точність яких на екзаменаційній вибірці варіювалась від 81.7% до 97.4%. Також були отримані 3 моделі класифікації без урахування доз добутаміну, які на екзаменаційній вибірці показали точність в межах 75.2-82.2%. Висновки. Отримані високоточні моделі класифікації методом групового урахування аргументів. Дані моделі можна буде застосувати для аналізу ехокардіограм, отриманих у B-режимі на обладнанні, яке не оснащене технологією спекл-трекінг. Ключові слова: метод групового урахування аргументів; спекл трекінг ехокардіографія; ехострестест з добутаміном; ішемічна хвороба серця.

У статті досліджено комплексний алгоритм створення керуючих автоматів на базі машинного навчання. Розкрито необхідність застосування принципів машинного навчання на керуючих автоматах. Описано генезис автоматів навчання та їх приналежність до штучного інтелекту. Визначено принципи побудови машини Цетліна та перспективні напрями її застосування щодо умов дослідження. Наголошено, що алгоритм навчання керуючого автомата використовує дискретні етапи оновлення, застосовуючи лінійну тактику, це, у свою чергу, дозволяє обмежити алгоритм кінцевою кількістю станів, визначених ансамблем автоматів Цетліна. Визначено умови, якими керується принцип оновлення автомата: значення літералів, параметри та поточні дії автоматів Цетліна з точки зору включення та виключення. Запропоновано основну архітектуру машинного класифікатора Цетліна з двома пунктами та наголошено, що ефективність машинного навчання з використанням автоматів навчання залежить від ряду гіперпараметрів, які необхідно ретельно налаштувати перед тренуванням. Процес налаштування точності та збіжності для цієї задачі називається пошуком гіперпараметрів. Обґрунтовано застосування принципу максимального паралелізму для машинної реалізації автоматів навчання Цетліна. Визначено метод бінаризації із замкнутим циклом зі зворотним зв’язком щодо точності, який ігнорує статистичну значущість даних, яка визначає, як класи виведення висновків співвідносяться з набором даних. Наведено діаграму потоку даних методу бінаризації, який орієнтовано на значущість. Описаний метод організований у три етапи: етап 1 (зменшення розмірності), етап 2 (класифікація), етап 3 (двійкове кодування). Запропоновано схематично логічну реалізацію програмування керуючого автомата. Визначено перспективи подальших досліджень, які ґрунтуються на розробці масштабованої апаратної архітектури.

Дисертація містить основну частину на 38 аркушах, 24 ілюстрації. Метою дисертації є аналіз та моделювання алгоритмів розпізнавання емоцій за мовленнєвими сигналами. Об’єктом дослідження є алгоритми розпізнавання емоцій. Предметом дослідження є розпізнавання емоцій за мовленнєвим сигналом. Результатом роботи є: Дослідження принципів дії алгоритмів розпізнавання емоцій; Дослідження акустичних ознак мовленнєвого сигналу; Моделювання та порівняння різних алгоритмів розпізнавання емоцій за мовленнєвим сигналом. Галузь застосування: цифрова обробка акустичних сигналів.
The thesis contains the main part on 38 sheets, 24 illustrations. The purpose of the dissertation is to analyze and simulate the algorithms for recognizing emotions by speech signals. The object of research is the algorithms of emotion recognition. The subject of the study is the recognition of emotions by the speech signal. The result of the work is: Research of the principles of the algorithms of emotional recognition; Investigation of acoustic signs of a speech signal; Simulation and comparison of various algorithms for recognizing emotions by speech signal. Field of application: digital processing of acoustic signals.
Целью диссертации является анализ и моделирование алгоритмов распознавания эмоций по речевыми сигналам. Объектом исследования являются алгоритмы распознавания эмоций. Предметом исследования является распознавание эмоций по речевым сигналом. Результатом работы являются: Исследование принципов действия алгоритмов распознавания эмоций; Исследование акустических признаков речевого сигнала; Моделирование и сравнения различных алгоритмов распознавания эмоций по речевым сигналом. Область применения: цифровая обработка акустических сигналов.

У дисертаційній роботі вирішено актуальну науково-прикладну проблему у галузі інструментального забезпечення біоінформатики – розвиток теоретичних засад і нових підходів до удосконалення комп’ютерних систем опрацювання біосигналів на основі широкого використання штучних нейромереж і технологій глибинного навчання. Представлено концепцію трьох системних рівнів комп’ютерного опрацювання біосигналів, що базується на чіткому розмежуванні функцій системних рівнів від методів і засобів, що їх реалізують. Таке розділення сприяє структуризації знань, уможливлює оцінювання ефективності різних методів і вибір кращих проектних рішень із урахуванням специфіки завдань, умов і сценаріїв. Автоматизовано пошук оптимальних значень гіперпараметрів багатошарового нейрокласифікатора шляхом використання простої прогностичної моделі машинного навчання. Це дає змогу на 4 порядки скоротити час пошуку порівняно із повним перебором в просторі можливих значень. Розроблено і апробовано підхід до виявлення і коригування залишкових аномалій в біосигналах, який базується на застосуванні нейромережевих автоенкодерів для нелінійної фільтрації завад, зосереджених в тій самій частині спектру, що й корисний сигнал. Застосування підходу у 5-7 разів зменшує похибку ідентифікації. Результати роботи можуть бути застосовані до різних прикладних задач, у таких сферах як кібербезпека та системи доступу (біометрична ідентифікація), робототехніка (нейромережеві інтерфейси управління) і афективна інформатика (аналіз психоемоційного стану), а також у медицині (діагностика, клінічні дослідження тощо). В диссертационной работе решена актуальная научно-прикладная проблема в области инструментального обеспечения биоинформатики - развитие теоретических основ и новых подходов к совершенствованию компьютерных систем обработки биосигналов на основе широкого использования искусственных нейронных сетей и технологий глубинного обучения. Представлена концепция трех системных уровней компьютерной обработки биосигналов, основанная на четком разграничении функций системных уровней от методов и средств, которые используются для их реализации. Такое разделение способствует структуризации знаний, позволяет оценить эффективность различных методов и выбрать лучшие проектные решения с учетом специфики задач, условий и сценариев. Автоматизирован поиск оптимальных значений гиперпараметров многослойного нейроклассификатора путем использования простой прогностической модели машинного обучения. Это позволяет на 4 порядка сократить время поиска по сравнению с полным перебором в пространстве всех возможных значений. Разработан и апробирован подход к выявлению и коррекции остаточных аномалий в биосигналах, основанный на применении нейросетевых автоэнкодеров для нелинейной фильтрации помех, сосредоточенных в той же части спектра, и полезный сигнал. Применение коррекции аномалий в 5-7 раз уменьшает погрешность идентификации. Результаты работы могут быть применены в различных направлениях, таких как компьютерная безопасность и системы доступа (биометрическая идентификация), робототехника (нейросетевые интерфейсы управления) и аффективная информатика (анализ психоэмоционального состояния), а также в медицине (диагностика, клинические исследования и т.п.). The thesis solves a scientific problem in the field of instrumental support of bioinformatics - the development of theoretical foundations, improvement of methodological, algorithmic, software, and technical basis of the computer systems for processing of biosignals and data based on the extensive use of artificial neural networks and deep learning technologies. Current state and future perspectives of machine learning usage in the computer bioinformatics systems are analyzed in the thesis. It is shown that the heterogeneousness of data and a wide range of bioinformatics tasks influenced the development of specialized solutions for each separate domain or application. This complicates the possibility to compare the effectiveness of certain methods as well as the usage of the best system design variants for the new tasks. A novel framework related to the development of principles for the design of the biosignals computer processing systems involving a combination of machine learning techniques and digital signal processing is presented in the thesis. The expediency of separation of the system levels within the process of biosignals processing is reasoned, and their functions are outlined. Innovativeness of the suggested approach lies in the separation of functions of the lower, middle, and upper levels from methods with the help of which they are realized, as well as from the implementation variants for these methods based on the hardware and software components. The middle system level is significantly invariable both in regards to the task to be solved and to the biosignal type. At the same time, the upper level is specific as to the final application, and the lower level is specific as to the type of biosignal. Distinct outlining of functions for each system level and the inter-level interfaces opens perspectives for information structuring during the analysis of the known decisions, which simplifies the analysis and comparison of the effectiveness of these solutions. The design process of the computer system for the specific tasks gets simplified and potentially quickens due to the possibility of transferring the best results among the related tasks. On the basis of the developed three system levels concept the range of tasks related to machine learning application and biosignals processing on all the system levels was studied and analyzed. A novel method of optimal hyperparameters selection for a multilayer neural network classifier based on the Monte Carlo method and predictive modeling was developed and introduced in the thesis, new algorithms for detection and correction of anomalies in ECG-signals were presented as well. This resulted in reduction of hyperparameters optimization time by 4 orders compared to a grid search approach in the entire hyperspace of possible values. A new approach to the detection and correction of residual anomalies in biosignals was developed and tested. This approach is based on the use of neural network autoencoders for nonlinear filtering of distortions that are located in the same spectral band as the useful signal and its application reduces identification error by 5-7 times. A method of software conditioning of biosignals was developed, which enabled parameters unification of digital records of biosignals from open databases by resampling, rescaling, time normalization, etc. and its application improves the issue of low data volume while deep neural networks training. A comprehensive study of the influence of the variability of ECG signal acquisition systems (different data sets, sampling frequency, recording duration, data volume) on the accuracy of biometric identification was performed. The obtained results proved sufficient stability and reliability of the electrocardiogram as a biometric marker and confirmed the possibility of its real-world application in biometric identification systems. Neural network equalizer was designed for dynamical error correction of bioimpedance sensors, which resulted in expanding the operating frequency band up to 100 times. Functionality was expanded, metrological characteristics were improved and the speed of the digital rheograph was doubled by improving the Howland current pump by compensating the basic bioimpedance with a coded potentiometer (trimmer) and using a direct digital synthesis of orthogonal probing signals. Intelligent processing of vibroarthrography signals based on a combination of machine learning algorithms and wavelet decomposition was developed, which allowed to achieve better accuracy in terms of knee joint disorders analysis. The results of the work can be used in various applications, such as cybersecurity and access systems (biometric identification), robotics (bio-machine control interfaces), and affective informatics (psycho-emotional state analysis), as well as a medical domain (diagnostics, clinical trials).

Работа посвящена сравнению двух наиболее популярных алгоритмов бустинга: AdaBoost и градиентного бустинга в задаче классификации научных статей по рубрикам первого уровня УДК. Главное различие этих алгоритмов заключается в методе коррекции весовых коэффициентов и параметров базовых моделей, входящих в их состав.

У бакалаврському дипломному проєкті реалізовано програмну систему для автоматичного розпізнавання музичних емоцій та тем з використанням алгоритмів машинного навчання. Алгоритм для задачі класифікації музичної інформації зводиться до використання рішення для класифікації зображень. Програма дозволяє прорахувати вірогідність та значення знайденого тегу - емоції чи теми за зображенням спектрограми, завдяки її здатності закарбовувати важливі характеристики музичної інформації. Програмний продукт був створений на мові Python з використанням бібліотеки для машинного навчання - Tensorflow.
In this project for a Bachelor's Degree, the system for automatic recognition of musical emotions and themes using machine learning algorithms is realized. The algorithm for the problem of classification of musical information is reduced to the usage of a solution for the image classification. The software product makes it possible to get the probability and value of the founded tag – an emotion or a theme using the spectrogram image for that, due to its ability to capture important characteristics of musical information. The software product was realized in Python using the machine learning library - Tensorflow.

Дана робота прагне реалізувати систему оцінювання англомовного акценту користувача на основі алгоритмів машинного навчання. Мотивацією до створення продукту слугувала відсутність аналогів серед практикування саме англомовних акцентів. В проєкті були висунуті порівняння із існуючими аналогами на ринку, а також визначена цільова аудиторія, яка була б зацікавлена роботою. Окрім цього в роботі був обґрунтований вибір тої чи іншої мови програмування для кожного модулю системи, а також відповідних бібліотек, фреймворків, тощо. Робота також представляє реалізацію нейронної мережі для оцінювання англомовних акцентів користувачів на основі математичного алгоритму згортки. Для керування процесом оцінки був розроблений веб-сервіс, де користувачі мають змогу зареєструватися, та із наступними записами до БД, отримувати картину прогресу по вимові, а також просто одноразово оцінити свою вимову без реєстрації та безкоштовно. В кінці кінців, була розроблена структурно-алгоритмічна реалізація систему оцінювання англомовних акцентів користувачів. В деталях описаний процес аналізу записаних користувачами даних, а також даних для тренування мережі. Надано обґрунтування вибору згорткової нейронної мережі, а також процес тренування даних. Продемонстрована робота серверної частини вебсервісу на основі GraphQL API, а також надана візуальна частина веб-додатку.
This work seeks to implement a system for assessment an English accent of the user based on machine learning algorithms. The motivation for creating the product was the lack of counterparts that use the English accents. The project made comparisons with existing counterparts on the market, as well as identified a target audience that would be interested in the work. In addition, the paper substantiated the choice of a programming language for each module of the system, as well as the relevant libraries, frameworks, etc. The work also presents the implementation of a neural network for estimating English accents of users based on a mathematical convolution algorithm. To manage the evaluation process, a web service was developed, where users can register and, with subsequent entries in the database, get a picture of the progress of pronunciation, as well as simply evaluate your pronunciation once without registration and for free. Eventually, a structural-algorithmic implementation of a system for evaluating accents of English users was developed. The process of analyzing user-recorded data as well as network training data is described in detail. The substantiation of the choice of the convolutional neural network, and process of training of data is given. The performance of the server part based on the GraphQL API is demonstrated, as well as the visual part of the application is provided.

Ведмедєв, В.С. Дослідження та використання машинного навчання для оптимізації послідовності операцій [Електронний ресурс] : робота на здобуття кваліфікаційного ступеня магістра ; спец.: 121 – інженерія програмного забезпечення / В.С. Ведмедєв ; ЗДІА ; наук. кер. Ю.О. Лимаренко . – Запоріжжя, 2018. - 109 с.
UA : Метою роботи є дослідження основних алгоритмів та методів для розв’язання задач класу NP-повних, а саме задач комбінаторної оптимізації. Розробка програмного застосунку з метою проведення порівняльного аналізу генетичного алгоритму та динамічного програмування. Проведення аналізу генетичного алгоритму з різними параметрами. Розробка методики поєднання розглянутих алгоритмів для покращення результатів розв’язку. За результатами роботи досліджено та вивчено основні етапи генетичного алгоритму. Модифіковано створення початкової вибірки генетичного алгоритму за допомогою методу найближчого сусіда. Досліджено етапи динамічного програмування для задачі про комівояжера. Порівняно результати роботи генетичного алгоритму та динамічного програмування. Проведено аналіз модифікованого генетичного алгоритму з різними параметрами для виявлення оптимальних параметрів. Всі дослідження було проведено за допомогою створеного програмного застосунку, який реалізовано на мові програмування С#.
RU : Целью работы является исследование основных алгоритмов и методов для решения задач класса NP-полных, а именно задач комбинаторной оптимизации. Разработка приложения с целью проведения сравнительного анализа генетического алгоритма и динамического программирования. Проведение анализа генетического алгоритма с различными параметрами. Разработка методики сочетание рассмотренных алгоритмов для улучшения результатов развязку. По результатам работы исследованы и изучены основные этапы генетического алгоритма. Модифицировано создание начальной выборки генетического алгоритма с помощью метода ближайшего соседа. Исследованы этапы динамического программирования для задачи о коммивояжёре. Анализированы результаты работы генетического алгоритма и динамического программирования. Проведен анализ модифицированного генетического алгоритма с разными параметрами для выявления оптимальных параметров. Все исследования были проведены с помощью созданного программного приложения, которое реализовано на языке программирования С#.
EN : The purpose of the work is to study the basic algorithms and methods for solving the problems of the class of NP-complete, namely combinatorial optimization problems. Development of software application for comparative analysis of genetic algorithm and dynamic programming. Conducting analysis of a genetic algorithm with different parameters. Development of a method of combining the algorithms considered to improve the solution results. The results of researched and studied the main stages genetic algorithm. Modified the creation of the initial sample of the genetic algorithm using the nearest neighbor method. The stages of dynamic programming for the traveling salesman problem are investigated. The analysis of the modified genetic algorithm with different parameters for the detection of optimal parameters was carried out. All research was conducted using a created software application implemented in the C # programming language.

Розроблено інформаційну технологію розпізнавання трафіку алгоритмів генерації доменів на основі глибинного машинного навчання, а саме часових згорткових мереж. Розроблену технологію реалізовано у вигляді навченої моделі, а саме класифікатора, що здатний з високою точністю розпізнавати алгоритми генерації доменів. Технологія була реалізований за допомогою мови програмування Python, хмарного середовища розробки Google Colab та бібліотеки машинного навчання TensorFlow та SciKit-Learn.

Метою роботи є дослідження методів і засобів тестування програмного забезпечення та імплементація алгоритмів машинного навчання для автоматичної класифікації вимог та прогнозування дефектів програмного коду У дослідженні проведено аналіз важливих понять, принципів і послідовності виконання процесів, що використовуються при проектуванні комп’ютерних систем, зокрема, термінологічні особливості у процесі імплементації програмного забезпечення на етапі тестування, що дало змогу зрозуміти і в подальшому визначити шляхи імплементації методів машинного навчання для підвищення ефективності виконання стадій життєвого циклу Запропоновано метод класифікації вимог до програмного забезпечення, що базується на методах машинного навчання і використовує чотири алгоритми: метод опорних векторів, наївний байєсовий класифікатор, логістична регресія та метод найближчих сусідів, а також техніки опрацювання тексту: «мішок слів», TF-IDF і χ 2 . Розроблено метод прогнозування дефектів програмного забезпечення у комп’ютерних системах, що використовує 6 алгоритмів машинного навчання і три набори дефектів і дає змогу забезпечити та передбачити з високою імовірністю можливість появи помилок у програмних модулях з врахуванням метрик програмного коду.
The aim of the work is to study the methods and means of software testing and implementation of machine learning algorithms for automatic classification of requirements and prediction of software code defects The study analyzes important concepts, principles and sequences of processes used in the design of computer systems, in particular, terminological features in the process of software implementation at the testing stage, which allowed to understand and further identify ways to implement machine learning methods to improve efficiency of life cycle stages The method of classification of software requirements based on machine learning methods and using four algorithms is proposed: the method of reference vectors, naive Bayesian classifier, logistic regression and the method of nearest neighbors, as well as word processing techniques: "word bag", TF-IDF and χ 2 . The method for predicting software defects in computer systems has been developed, which uses 6 machine learning algorithms and three sets of defects and makes it possible to provide and predict with a high probability the possibility of errors in software modules taking into account software code metrics.
РОЗДІЛ 1 АНАЛІЗ ОСОБЛИВОСТЕЙ ПРОЦЕСУ ТЕСТУВАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ КОМП’ЮТЕРНИХ СИСТЕМ ...13 1.1. Аналіз основних понять та особливостей процесу тестування ПЗ КС ...13 1.2. Аналіз процесів життєвого циклу ПЗ КС ...15 1.3. Аналіз особливостей життєвого циклу тестування ПЗ ...19 1.4. Аналіз життєвого циклу помилок ...22 1.5. Класифікація методів тестування за способом його проведення ...24 1.5.1. Статичне тестування ...24 1.5.2. Динамічне тестування ...25 1.6. Висновки до розділу ...27 РОЗДІЛ 2 РОЗРОБКА МЕТОДІВ КЛАСИФІКАЦІЇ ВИМОГ ТА ПРОГНОЗУВАННЯ ДЕФЕКТІВ ПЗ З ВИКОРИСТАННЯМ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ...28 2.1. Підходи і стратегії тестування ПЗ ...28 2.2. Розробка методу класифікації вимог до ПЗ з імплементацією методів машинного навчання на етапі тестування ...31 2.2.1. Нормалізація тексту вимог ...36 2.2.2. Векторизація тексту ...37 2.2.3. Обґрунтування вибору ознак вимог та алгоритмів класифікації вимог до ПЗ ...39 2.2.4. Алгоритм класифікації вимог до ПЗ ...41 2.3. Розробка методу прогнозування дефектів у програмному забезпеченні ...42 2.4. Метрики ефективності алгоритмів машинного навчання та імплементація процедури запропонованих методів при тестуванні ПЗ ...47 2.5. Висновки до розділу ...50 РОЗДІЛ 3 АПРОБАЦІЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ПРИ КЛАСИФІКАЦІЇ ВИМОГ ТА ПРОГНОЗУВАННІ ДЕФЕКТІВ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ КОМП’ЮТЕРНИХ СИСТЕМ ...51 3.1. Аналіз структури та даних при проведенні класифікації вимог до ПЗ ...51 3.2. Препроцесинг та векторизація тексту вимог до ПЗ...53 3.3. Оцінювання ефективності алгоритмів машинного навчання при класифікації вимог до ПЗ ... 60 3.4. Алгоритм і результати експериментальних досліджень при прогнозуванні дефектів ПЗ ... 66 3.5. Висновки до розділу ...70 РОЗДІЛ 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ ...71 4.1. Охорона праці ...71 4.2. Підвищення стійкості роботи об'єктів господарської діяльності у воєнний час ...74 ВИСНОВКИ ... 80 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ...82

Починаючи з 2018-2019 н. р., для магістрантів з додатковою спеціальністю «Інформатика» уведено навчальну дисципліну «Чисельні методи та моделювання», спрямованої на формування у студентів системи теоретичних знань з основ апарату чисельних методів і практичних навичок їх використання для розробки та дослідження математичних моделей. Одним із провідних завдань дисципліни є надання комплексу знань, необхідних для розуміння проблем, які виникають під час побудови та при використанні сучасних інтелектуальних систем, та ознайомлення студентів з основними принципами нейромережевого моделювання: – загальними характеристиками біологічних та штучних нейронів; – штучною нейронною мережею Хебба, класичним та модифікованими перцептронами; – видами функцій активації, що набули поширення в штучних нейронних мережах; – технологією проектування одношарових та багатошарових штучних нейронних мереж; – алгоритмами навчання нейронних мереж. Вказані питання в останні десятиріччя розглядаються у межах машинного навчання (Machine Learning) – розділу штучного інтелекту, що розглядає методи побудови алгоритмів та на їх основі програм, здатних «навчатися» шляхом подання емпіричних даних (прецедентів або спостережень), в яких виявляються закономірності, та на їх основі будуються моделі, що надають можливість у подальшому прогнозувати певні характеристики для нових об’єктів. На жаль, класичний (і найбільш популярний у світі) курс машинного навчання Е. Ина (Andrew Ng), розміщений на платформі Coursera, зорієнтований насамперед на студентів-початковців інформатичних спеціальностей – це надає можливість пропонувати його для самостійного опрацювання, але не розв’язує основну проблему: надання змістовних моделей, що відображають специфіку основної спеціальності – хімія.

Головною ідеєю роботи є виявлення можливості досягти якщо не квантового панування, то хоча б квантової переваги при розв’язанні задач машинного навчання на квантовому комп’ютері. Проаналізовано підходи до визначення квантового машинного навчання, інженерії квантового програмного забезпечення. Виділено основні класи засобів інженерії квантового програмного забезпечення. У результаті проведеного аналізу було визначено, щосаме квантово покращене машинне навчання – застосування квантових моделей навчання для аналізу традиційних (не квантових) даних – є перспективним напрямом розвитку машинного навчання, реалізація якого в поточній версії бібліотеки квантових алгоритмів Qiskit Aqua 0.7.3 є обмеженою розв’язанням задач класифікації з використанням квантового методу опорних векторів та варіаційного квантового класифікатору.

Свій початок комп’ютеризоване мобільне навчання бере з проекту Dynabook Алана Кея, який наприкінці 50-х рр. працював на Денверській військово-повітряній базі «Рендольф», де писав на машинному коді програми для ЕОМ Burroughs 220. Саме тоді він зіткнувся з проблемою передавання сформованих на цій ЕОМ даних на комп’ютери інших баз. Стандартних форматів та ОС для цих ЕОМ не існувало, тому А. Кею довелося створити мікропрограми, що містили всі необхідні дані та після запуску на інших машинах через простий інтерфейс користувача автоматично розгорталися необхідні дані. Такі програми А. Кей назвав модулями, в яких об’єднуються дані та код. У 1966 р. він зайнявся науковою діяльністю в галузі молекулярної біології в Університеті штату Колорадо, де запропонував створити системи модулів (об’єктів), в яких об’єднуються дані та алгоритми їх опрацювання, взаємопов’язані один з одним через визначені розробником інтерфейси. При цьому він активно використовував аналогії з біологічними об’єктами та механізмами взаємодії клітин у живому організмі.

Недавно, експерти Всесвітнього економічного форуму спільно з консалтинговою компанією Deloitte представили доповідь про можливий вплив штучного інтелекту (ШІ) і машинного навчання (МН) на світ фінансів [1]. Автори вивчили різні сценарії того, як ШІ і машинне навчання можуть бути застосовані на практиці в майбутньому і до яких наслідків це може призвести. Відзначається, що ШІ змінить набір характеристик, якими повинен буде володіти успішний бізнес в сфері фінансів. Якщо раніше успішність багато в чому залежала від обсягу портфеля активів, то в майбутньому у виграші будуть залишатися, перш за все, компанії з найбільшою базою даних. ШІ необхідно якомога більше знань для підвищення ефективності. На місце «масового виробництва», тобто вироблення стандартних пакетів послуг і їх поширення серед клієнтів, прийде більш персоналізований підхід. Він стане можливий, знову ж таки, завдяки ШІ. Можуть зникнути банківські рахунки в традиційному вигляді. На зміну рішенням людини про те, як витрачати свої заощадження, може прийти алгоритм, який буде автоматично розподіляти кошти клієнта. Все це буде засновано на автоматичному аналізі великого обсягу даних про всі фінансові можливості і обов'язки клієнта.Очевидно, що спектр професій схильний до змін під впливом часу і моди. Це в повній мірі стосується і фінансової сфери. У 2001 році всі були захоплені вивченням ринку акцій інтернет-компаній. У 2006 році на гребені хвилі були фахівці з аналізу забезпечених боргових зобов'язань. До 2010 року стали затребувані кредитні трейдери. У 2014 році з'явилися комплаенс-фахівці. І ось, до 2017 року незамінними стали експерти в сфері машинного навчання і великих даних. Аналітики оанку J.P. Morgan під керівництвом Марко Колановіча і Раджеша Крішнамачарі випустилиоб'ємну доповідь про використання Big Data і машинного навчання у фінансовій галузі [2]. Його автори стверджують, що технологи машинного навчання будуТь відігравати ключову роль у розвитку фінансових ринків. Біржові аналітики, портфельні керуючі, трейдери і директори з інвестицій - всі повинні освоїти науку великих даних. Інакше вони залишаться без роботи, кажуть автори дослідження. Традиційні джерела інформації - щоквартальні звіти і рівень ВВП - більше не актуальні. Ті, хто володіють інструментами Big Data скоро будуть здатні передбачати всі ці показники ще до виходу звітів. Приклади використання машинного навчання (МН) в банківській галузі ясно вказують на те, що провідні банки США сприймають ШІ і МН дуже серйозно. Постійно зростаючі доходи гігантів на кшталт JPMorgan Chase, Wells Fargo, Bank of America, Citibank та ін. показують, що це правильний напрямок і впровадження банківських послуг за допомогою рішень МН - це те, як індустрія повинна розвиватися в майбутньому [3]. Відзначимо нарешті ще одну знакову подію, яку очікує фінансовий світ. Найближчим часом буде укладена найбільша в історії угода, пов'язана з штучним інтелектом. Агентство S&P купує компанію Kensho за $550 млн. Цей стартап придумав Google для здійснення вдалих капіталовкладень.