Dissertations / Theses on the topic 'Алгоритми машинного навчання'

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

У даній рοбοті булο ствοренο аналітичнο-інфοрмаційну систему οцінки якοсті навчальнοгο кοнтенту з викοристанням базοвих алгοритмів навчання інфοрмаційнο-екстремальнοї інтелектуальнοї технοлοгії. Розроблий програмний продукт було створено за допомогою мови програмування С#.

Об’єкт дослідження є процес збереження конфіденційності великих даних. Предмет дослідження є методи і засоби для забезпечення конфіденційності великих даних на основі машинного навчання та створення методів на основі базових алгоритмів забезпечення конфіденційності. Метою роботи є покращення конфіденційності зберігання великих даних. Для розв’язання поставлених задач використовувалися початкові алгоритми захисту конфіденційності; шум Лапласа, синтетична генерація даних, методи збурення даних, криптогафічні методи, які впливають на якість інтелектуального аналізу для підтримки цілісності та збереження конфіденційності даних.

Були проаналiзованi основні методи машиного навчання i їх структура, дані про переваги та недоліки і обгрунтовано вибір методу машинного навчання інформаційно-аналітичної системи оцінки в рамках інформаційно-екстримально інтелектуальної технології аналізу даних. Запропонований алгоритм програмно реалізовано на алгоритмічній мові C#.

Розроблено інформаційне, алгоритмічне та програмне забезпечення системи оцінки якості випускаючої кафедри. Розроблено категорійні моделі, на основі яких розроблено і програмно реалізовано алгоритм інформаційно-екстремального машинного навчання системи адаптації навчального контенту випускаючої кафедри до вимог ринку праці.

Розроблено систему класифікації дефектів в водостічних трубах на основі Rotation forest. Розроблений алгоритм реалізовано у формі програмного забезпечення, написаного на мові програмування Python 3.

Кваліфікаційна робота присв’ячена дослідження алгоритмів машинного навчання для потреб систем підтримки прийняття рішень в умовах пандемії. В першому розділі кваліфікаційної роботи описано процес пошуку наукових публікацій щодо використання алгоритмів машинного навчання в умовах пандемії. Розглянуто машинне навчання та глибоке навчання для COVID-19. В другому розділі кваліфікаційної роботи проаналізовано показники оцінки використання алгоритмів машинного навчання в умовах пандемії. Подано опис процесу тестування NN в процесі дослідження алгоритмів машинного навчання в умовах пандемії. В третьому розділі кваліфікаційної роботи описано результати ідентифікації ключових біомаркерів. Виконано порівняння прогностичних характеристик алгоритмів машинного навчання для потреб систем підтримки прийняття рішень в умовах пандемії. Об’єкт дослідження: процеси аналітичного опрацювання з використанням алгоритмів машинного навчання. Предмет дослідження: методи збирання та аналітичного опрацювання біометричних сутностей для потреб систем підтримки рішень. Qualification work is devoted to machine learning algorithms study for decision support systems needs in a pandemic. The qualification work first section describes the searching process for scientific publications on the machine learning algorithms use in a pandemic. Machine learning and deep learning for COVID-19 are considered. The qualification work second section analyzes the indicators for assessing the machine learning algorithms use in a pandemic. A NN testing process description in the studying machine learning algorithms process in a pandemic is given. The qualification work third section describes identification results of key biomarkers. The prognostic characteristics comparison of machine learning algorithms for decision support systems needs in a pandemic is performed. Object of research: analytical processing using machine learning algorithms processes. Research subject: collection and analytical processing methods of biometric entities for decision support systems needs.
ВСТУП 8 1 СТАН ТА ПЕРСПЕКТИВИ ДОСЛІДЖЕНЬ В ГАЛУЗІ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ТА ЇХ ВИКОРИСТАННЯ В УМОВАХ ПАНДЕМІЇ 10 1.1 Пандемія COVID-19 10 1.2 Опис процесу пошуку наукових публікацій щодо використання алгоритмів машинного навчання в умовах пандемії 12 1.3 Аналіз стану досліджень щодо використання алгоритмів машинного навчання в умовах пандемії 16 1.4 Машинне навчання та глибоке навчання для COVID-19 20 1.5 Висновок до першого розділу 22 2 ОБЧИСЛЮВАЛЬНИЙ ЕКСПЕРИМЕНТ ДЛЯ ДОСЛІДЖЕННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ В УМОВАХ ПАНДЕМІЇ 23 2.1 Формування та попередня обробка пандемічних наборів даних 23 2.2 Розподіл даних для унікальної сегрегації пацієнтів 24 2.3 Конвеєр машинного навчання для дослідження використання алгоритмів машинного навчання в умовах пандемії 27 2.4 Показники оцінки використання алгоритмів машинного навчання в умовах пандемії 29 2.5 Важливість функції XGBoost для оцінки біомаокерів 30 2.6 Вибір NN-функції для дослідження алгоритмів машинного навчання в умовах пандемії 31 2.7 Навчання NN в процесі дослідження алгоритмів машинного навчання в умовах пандемії 33 2.8 Тестування NN в процесі дослідження алгоритмів машинного навчання в умовах пандемії 34 2.9 Висновок до другого розділу 36 3 АНАЛІЗ РЕЗУЛЬТАТІВ ОБЧИСЛЮВАЛЬНОГО ЕКСПЕРИМЕНТУ ДОСЛІДЖЕННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ В УМОВАХ ПАНДЕМІЇ 37 3.1 Результати ідентифікації ключових біомаркерів 37 3.2 Порівняння прогностичних характеристик алгоритмів машинного навчання для потреб систем підтримки прийняття рішень в умовах пандемії 42 3.3 Ефективність алгоритмів машинного навчання 53 3.4 Висновок до третього розділу 55 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 56 4.1 Організація та перевірка стану охорони праці на підприємстві під час пандемії 56 4.2 Основні принципи і способи забезпечення життєдіяльності 61 ВИСНОВКИ 66 ПЕРЕЛІК ДЖЕРЕЛ 68 ДОДАТКИ

As one of the excellent learning and classification performance, SVM and ISVM has become a research topic in the field of machine learning and has been applied in many areas, such as face detection and recognition, handwriting automatic identification and automatic text categorization. Face recognition is a challenging computer vision problem. Given a face database, goal of face recognition is to compare the input image class with all the classes and then declare a decision that identifies to whom the input image class belongs to or if it doesn’t belong to the database at all. In this survey, we study face recognition as a pattern classification problem.In this paper, we study the concept of SVM and sophisticated classification techniques for face recognition using the SVM and ISVM along with the advantages and disadvantages. This paper not only provides an up-to-date critical survey of machine learning techniques but also performance analysis of various SVM and ISVM techniques for face recognition are compared.