Journal articles 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.

В роботі запропоновано реалізації технологіями класичного машинного навчання та аналіз складової частини алгоритму сортування, а саме, знаходження максимального елементу масиву. Було реалізовано такі методи – лінійну регресію, дерева рішень, метод опорних векторів, метод -найближчих сусідів. Проведено порівняльний аналіз точності роботи за кожним алгоритмом.

Метою дослідження є проектування та реалізація самонавчання для логічної гри «Реверсі». Задачами дослідження є аналіз наявних методів машинного навчання в логічних іграх; розробка алгоритму самонавчання. Об’єктом дослідження є машинне навчання, його розробка та функціонування. Предметом дослідження є розробка алгоритму вибору найкращого ходу в логічних іграх, який здійснюється завдяки поглибленому аналізу статистичних даних. Результат дослідження: програмний продукт, що включає гру «Реверсі» та здатний до самонавчання алгоритм гри у неї.

Робота присвячена дослідженню ефективності розподілених алгоритмів машинного навчання реалізованих в проекті Apache Mahout.В результаті роботи був проведений аналіз ефективності алгоритмів машинного на-вчання за допомогою методу кластеризації к-середніх (k-Means) і методу нечіткої кластеризації к-середніх (fuzzy k-Means / c-Means), реалізованих в проекті Apache Mahout.Отримано результати тестування обох методів кластеризації на однакових наборах даних. Розглянуто точність кластеризації кожного методу, а також побудовані порівняльні діаграми результатів досліджуваних методів.

Досліджено сутність та доцільність застосування систем раннього попередження надзвичайних ситуацій, на основі аналізу отриманих акустичних сигналів. Ефективне управління надзвичайними ситуаціями сприяє стабільному розвитку загальної безпеки держави і сталому розвитку економіки країни. Дії або бездіяльність у цій сфері безпосередньо впливають на здоров'я населення України та є одним з пріоритетних питань національної безпеки. Важливою проблемою в управлінні надзвичайними ситуаціями є відсутність у режимі реального часу узгоджених можливостей реагування, керованих інтегрованими засобами прийняття рішень на основі інформації, отриманої від перших сигналів реакції на докризовий стан. Представлена робота спрямована на підтримку узгодженого управління надзвичайними ситуаціями в разі виникнення та розвитку надзвичайної ситуації, небезпеки великих аварій і незапланованих заходів, включаючи серію необхідних заходів для захисту суспільного життя і безпеки власності. Наведено ​​методику виявлення звуків небезпеки в умовах міського шуму. Різноманітність звуків життєдіяльності населення величезна й охоплює звуки, створювані в приміщенні і на відкритому повітрі, так і в навколишніх будинках і спорудах. Ці звуки передають інформацію про людську і соціальну діяльність, або про загрозу виникнення надзвичайної ситуації. Сучасні методології розроблення програмного забезпечення зменшують ризик розвитку надзвичайних ситуацій, шляхом визначення та раннього виявлення епіцентру місця розташування надзвичайної ситуації. В огляді проаналізовано методи управління інформаційними ресурсами і ресурсами зберігання інформації, які потрібні для управління діяльністю в аварійних сценаріях, доповнені службою локалізації НС, яка спирається на визначення місця розташування. Методи поєднують у собі рівень сили сигналів, отриманих від орієнтирів, розташованих респондентами в докризовій системі, на основі інформації отриманих акустичних сигналів. Аудіо тріангуляція вказує на розташування небезпечної зони й алгоритми машинного навчання аналізують отримані аудіо-сигнали. Для людей і суспільства загалом потенційні надзвичайні ситуації та катастрофи накладають важкі психологічні та економічні наслідки. Потреба подальших розробок превентивних заходів профілактики й ефективного реагування мають актуальне значення в заходах щодо запобігання надзвичайним ситуаціям, ліквідації, зменшення можливих втрат і збитків, які охоплюють всі вікові групи населення. Сприяють ефективному і комплексному використанню наявних сил і методів, які призначені для запобігання НС та позитивно впливають на попередження кризи на ранніх стадіях його розвитку.

Представлено основні методи машинного навчання для розпізнавання дефектів у сферах виробництва різнопланової продукції. Детально розглянуто застосування підходів глибокого навчання і комп’ютерного бачення для розпізнавання недоліків продукції апаратного забезпечення, одиночних та комплексних алгоритмів машинного навчання для контролю якості програмного забезпечення

Розроблено метод вибору оптимального типу ШНМ, ідеєю якого є практичне використання декількох типів ШНМ, подальшого обчислення похибок роботи кожного типу з використанням ідентичних наборів даних для навчання ШНМ, що унеможливлює вплив на результати роботи алгоритму і специфіки даних у навчальній вибірці. Запропонований метод дає змогу визначити оптимальний тип ШНМ для керування побутовими приладами у будинку. Розглянуто особливості процесу розроблення програмного забезпечення, що дає змогу провести процеси навчання, випробування та отримати вихідні результати роботи алгоритму штучної нейронної мережі. Вибір штучної нейронної мережі використовують для автоматизації обчислення значень оптимальних температурних режимів у кімнатах будинку, налаштувань параметрів освітлювальних приладів та режимів роботи системи безпеки "розумного" будинку. Наведено результати дослідження взаємозв'язку між різними типами нейронних мереж, кількістю внутрішніх шарів штучної нейронної мережі і кількістю нейронів на кожному внутрішньому шарі та зміни похибки обчислень параметрів налаштувань відносно очікуваних результатів роботи. Вирішення кожної окремої поставленої задачі за допомогою систем "розумного" будинку потребує використання різних алгоритмів машинного навчання. Великі обсяги даних, що генеруються у системах "розумного" будинку, та різноманітність типів і форматів цих даних не дає змоги створити універсальний автоматизований механізм з використанням алгоритмів штучного інтелекту, який вирішував би проблеми безпеки, енергоефективності та підтримки комфортних умов проживання користувачів. Тому використання запропонованого методу вибору оптимального типу нейронної мережі, що найкраще підходить для вирішення кожної окремої задачі, забезпечує високі показники ефективності роботи систем "розумного" будинку з мінімальними значеннями похибки отриманих автоматизованих рішень порівняно з рішеннями, що прийняла людина.

Розпізнавання облич завоювало свою популярність завдяки своїй унікальності серед інших біометричних методів, тому що має всі характеристики ефективної системи безпеки. Проте існують певні обмеження у системі розпізнавання облич, які необхідно дослідити та вивчити. Так, наприклад, вирішення таких проблем, як зміна освітлення, розташування об’єкту, емоцій, віку тощо потребують застосування спеціальних алгоритмів. Використання цих алгоритмів та їх комбінацій певною мірою сприятимуть вирішенню подібних задач. У роботі досліджені та застосовані аналіз основних компонентів, лінійний дискримінантний аналіз, незалежний аналіз компонентів та класифікація за допомогою машини опорних векторів. Для реалізації перелічених алгоритмів було використано мову Python та бібліотеку машинного навчання Scikit-learn. Проведено порівняння продуктивності систем на основі точності. Результати досліджень показують, що продуктивність SVM-класифікатора з використанням NMF є найгіршою з точки зору точності передбачення. Ефективність інших моделей, що були натреновані з використанням методів ICA, PCA та LDA, коливається в припустимих межах. Модель, навчена з використанням алгоритму PCA, працює з найвищою точністю передбачення.

В роботі проведено дослідження алгоритмів захисту конфіденційності для великомасштабних даних на основі машинного навчання. У сучасному світі у повсякденному житті та для дослідників і практиків проблема захисту конфіденційності великих даних є чи не найосновнішою проблемою та актуальною задачею. За результатами проведених досліджень удосконалено метод захисту конфіденційності для більш ефективного використання енергоносіїв. Також набув подальшого розвитку метод, за допомогою якого забезпечується можливість імплементації його у систему охорони здоров’я.

У статті розглянуто сучасні технології побудови додатка chat-bot, зокрема досліджено ефективність використання алгоритмів природної обробки мови, машинного навчання, а також застосування нової, більш продуктивної архітектури нейронної мережі.

Об’єктом дослідження є процес оцифрування картографічних схем та зображень. У статті зроблено огляд основних рішень на сьогоднішній день, та їх недоліки. Також визначено варіант, для вирішення даної проблеми, запропоновано використати нейрону мережу, для розпізнавання зображення, а саме глибоке навчання. Глибоке навчання в свою чергу є класом алгоритмів машинного навчання, який використовує в собі багатошарову систему нелінійних фільтрів для відокремлення необхідних характеристик з перетвореннями.Метою роботи є зменшення часу на процес оцифровування архівів картографічних схем, за допомогою створення та навчання нейронної мережі з використання глибинного навчання. Бібл. 5, іл. 5.

У результаті дослідження розроблено інтелектуальну систему підтримки прийняття рішень для діагностування цукрового діабету, яка базується на моделях машинного навчання. Розроблено модифікований генетичний метод оптимізації параметрів нейронної мережі. Модифікація простого генетичного алгоритму, яку реалізовано в рамках виконання проєкту, дозволяє пришвидшити виконання підбору параметрів навчання нейронних мереж і підвищити результуючий показник точності порівняно з базовою версією простого генетичного алгоритму, за рахунок модифікації оператора мутації, а також, зміненого підходу до вибору особин для схрещення. Розроблена модель призначена для застосування у сфері медичного обслуговування та дозволяє з певною точністю визначати наявність ризику захворюваності пацієн-та на цукровий діабет за клінічними показниками стану здоров’я. Результатом застосування даної моделі є зменшення ймовірності по-милки лікаря, підвищення впевненості лікаря в прийнятому рішенні при постановці діагнозу та більша кількість врятованих життів за рахунок постановки вірного та своєчасного діагнозу.

У даній статті розглянуто низку концепцій, що використовуються в ігровому штучному інтелекті (скорочено "ігровий ШІ"). У цій роботі наведено методи, доступні для вирішення проблем у галузі ігрового ШІ. Розглянуто проблеми ігрового ШІ у широкому розумінні, що включає все, від простих закодованих шаблонів, до нейронних мереж та генетичних алгоритмів.

У даній статті розглянуто низку концепцій, що використовуються в ігровому штучному інтелекті (скорочено "ігровий ШІ"). У цій роботі наведено методи, доступні для вирішення проблем у галузі ігрового ШІ. Розглянуто проблеми ігрового ШІ у широкому розумінні, що включає все, від простих закодованих шаблонів, до нейронних мереж та генетичних алгоритмів.

Метою даного дослідження є розробка елементів методики використання мобільних електронних таблиць як засобу навчання нейромережевого моделювання технічних об’єктів бакалаврів електромеханіки. Задачі дослідження: Обґрунтування вибору нейронних мереж як засобу моделювання технічних об’єктів із прихованою або нечіткою структурою. Реалізація алгоритму глибинного машинного навчання у середовищі мобільних електронних таблиць Google Sheets. Об’єкт дослідження – процес професійної підготовки бакалаврів електромеханіки в технічних ЗВО, предмет – формування компетентності бакалавра електромеханіки в моделюванні технічних об’єктів. Результати: 1) розроблено та реалізовано у середовищі мобільних електронних таблиць модель роботи інтелектуального датчику на основі нейронної мережі з двома прихованими шарами; 2) наведено приклади використання доповнення Solver для визначення вагових коефіцієнтів нейронної мережі. Основні висновки: у процесі розробки елементів методики використання мобільних електронних таблиць як засобу навчання нейромережевого моделювання технічних об’єктів бакалаврів електромеханіки показано можливість та доцільність формування критичного мислення студентів.

У статті досліджено особливості використання сучасних маркетингових стратегій для налагодження ефективних комунікацій із цільовою аудиторією з урахуванням процесів діджиталізації. Установлено істотність зв’язку між пандемією COVID-19 та активізацією використання передових інструментів цифрового маркетингу. Доведено істотний вплив сучасних інформаційно-комунікаційних технологій на зміни у поведінці клієнтів та трансформацію ключових процесів діяльності компаній із метою забезпечення високого рівня конкурентоспроможності на різних ринках. Визначено ефективність застосування алгоритмів машинного навчання під час забезпечення таргетингу рекламних повідомлень у мережі Інтернет. Розкрито особливості залучення лідерів думок для просування продукції компаній у цифровому середовищі. Установлено, що процеси діджиталізації сприяли появі віртуальних інфлюєнсерів, які мають велику кількість підписників у різних соціальних мережах та використовуються у маркетингових кампаніях різноманітних брендів. Розкрито особливості трансформації соціальних мереж на прикладі відеоконтенту.

Предметом дослідження є методи та засоби виявлення аномалій в даних. Метою статті є підвищення якості класифікації даних за рахунок виявлення аномалій на етапі їх попередньої обробки. Завдання: дослідити методи виявлення аномалій на етапі попередньої обробки даних, визначити поріг прийняття рішень anomaly_score для кожного із методів та оцінити якість класифікації до та після preprocessing. Використовуваними методами є: методи штучного інтелекту, машинного навчання, ансамблеві методи. Отримано такі результати: досліджено методи виявлення аномалій: метод стандартного відхилення (Standard Deviation Method), метод локального рівня викидів (Local Outlier Factor), метод Ізолюючого лісу (Isolation Forest). Отримано залежність кількості аномалій від порогу прийняття рішень для кожного із методів. Оцінку якості попередньої обробки даних виконано з використанням класифікаторів на основі методів KNN та беггінгу (Bagging). Досліджені методи реалізовані програмно з використанням хмарного сервісу GOOGLE COLAB на основі Jupyter Notebook. Висновки. Наукова новизна отриманих результатів полягає у дослідженні методів виявлення аномалій на етапі попередньої обробки даних, вибору мета-алгоритму preprocessing та визначення оптимальних параметрів його налаштування.

У наш час найбільш точні моделі для розпізнавання об’єктів базуються на двоступеневому підході, популяризованому як R-CNN. На відміну від них, одноступеневі моделі, що застосовуються під час регулярного, детального відбору зразків, можуть бути швидшими та простішими, але вони не досягають точності двоступеневих моделей. Проте з новою функцією втрат, дисбаланс класу, який виникає під час тренування на наборі даних, зникає. Саме тому одноступенева модель має переваги в продуктивності та точності на відміну від двоступеневої. У роботі використано цей дисбаланс класів, щоб переформувати стандартні, перехресні ентропійні втрати таким чином, щоб зменшити їх. В архітектурі RetinaNet[1], функція втрат Focal Loss[1] сфокусовує навчання на наборі даних, які зустрічаються рідше, і запобігає перевантаженню моделі під час тренувань. Архітектура RetinaNet була протестована на наборі даних CROHME[4], що був розширений за допомогою алгоритму Data Augmentation[9] для збільшення частоти входження певних елементів формул. Також було порівняно дві бібліотеки машинного навчання: TensorFlow та Torch. Отримані результати показують, що коли модель тренується з фокальною втратою, RetinaNet показує дуже добрі результати та має хорошу швидкість виконання. Окрім того, отриману модель було інтегровано в веб-застосунок на основі мікросервісної архітектури. Основними веб-фреймворками було використано NodeJs для серверної частини та VueJs для рівня подання. Для роботи з базами даних ми використовуємо MongoDB. Розгортання програми відбувається за допомогою хмарної служби AWS на основі Lambda-функцій, що дає змогу виокремити процеси навчання, обробки, візуалізації та контролювати ресурси серверу окремо для кожного процесу.

Проаналізовано найпоширеніші підходи до створення засобів підтримки прийняття рішень для процесу підбору оптимальної методології розроблення програмного забезпечення (ПЗ). З'ясовано, що на сьогодні для досягнення цієї мети використовуються різні методи, переважно багатокритеріальні методи прийняття рішень, але мало застосовуються методи машинного навчання, також у процесі прийняття рішень не повною мірою враховуються метрики проєкту. Визначено, що на цей час існує велика кількість методологій розроблення програмного забезпечення (водоспадна (Waterfall), швидке розроблення додатків (Rapid Application Development), скрам (Scrum), канбан (Kanban) та ін.), які оптимізують процеси у команді та значно полегшують і пришвидшують розроблення програмного забезпечення, але разом з цим, з огляду на різноманітність цих методологій і проєктів, постає питання правильного підбору методології до конкретного проєкту на основі даних про нього, оскільки кожна методологія розроблення програмного забезпечення розрахована на різні типи команд, кількість їх членів, різні типи проєктів та їхню складність. Виділено найбільш значущі метрики проєкту, такі як: розмір та кваліфікація команди, тип проєкту та бюджетування, тривалість виконання проєкту, ризик зміни вимог, локація команди та інтенсивність комунікації зі замовником. Спроєктовано, реалізовано та відтестовано програмний засіб підбору методології розроблення програмного забезпечення з урахуванням наведених вище метрик проєкту та використанням алгоритму random forest, для програмної реалізації якого було обрано мову програмування – Swift 5, середовище розроблення – XCode 10.1, для збереження даних використовується Google Firebase Realtime Data Base. Розроблено засіб у вигляді клієнт-серверного додатку з логічною частиною на стороні клієнта та з базою даних на базі Google Cloud Firestore Data Base, а для зберігання результатів, введених користувачем розробленого засобу, вибрано нереляційну базу даних Google Firebase Database. Здійснено дослідження залежності ймовірності прогнозу відповідності методології проєкту та швидкодії роботи від обсягу даних в Data Set, а також порівняння ефективності використання алгоритмів Random Forest та Linear Regresion для задачі вибору методології розроблення ПЗ.

У статті запропоновано поставити проблему дистанційного навчання в гуманітарному людиновимірному аспекті через розгляд його особливостей у критичному філософсько-правовому ракурсі. У контексті історичних передумов надається культурологічна характеристика сучасного стану правової реальності України через поняття «вторинні культури», що значною мірою пов'язане із характеристикою суспільства як «транзитивного». Показано, що тиск партикуляризму культурних осередків у різних частинах країни за умов панування буденної свідомості (що призводить до постійної підміни понять у різних сферах діяльності) із використанням новітніх інформаційних систем, включаючи й освіту, вирішує існуюче протиріччя між надновим і традиційно сталим у відповідний простий (примітивний) спосіб. На рівні світоглядного формування (включаючи освіту) це породжує певну синтетичну єдність «людини минулого» (у нас переважно «радянської людини») з алгоритмами машинного (комп’ютерного) мислення, що має результатом створення людей без частини людських якостей – «біоп’ютерів». Для правоохоронної системи це стає подвійною загрозою: як наявність такого шару молоді серед населення, так і всередині особового складу. Останнньому сприяє й спрощення навчальних планів у ЗВО МВС України, де вилучено соціально-гуманітарні дисципліни. У поєднанні з інтенсифікацією ДН наявна тенденція виглядає загрозливою для стабільності правової реальності в цілому і правопорядку зокрема. Зроблено деякі пропозиції щодо запобігання негативним тенденціям і підтримки позитивних, включаючи й використання ДН, у закладах, де навчаються майбутні правоохоронці.

Запропоновано модель системи забезпечення державної безпеки як дієвого інструменту реалізації інтересів громадян і суспіль- ства з урахуванням внутрішніх та зовнішніх факторів впливу. Досліджено можливості застосування математичних методів для опти- мального вибору засобів захисту від загроз та небезпек в державному управлінні. Вивчено способи застосування штучного інтелекту для встановлення критеріїв безпеки держави. Зокрема, розглянуто оптимізаційно-імітаційні методи, які дають можливість завдяки певній кількості ітерацій, отрима- ти приближене до оптимального значення показників, що досліджуються. Визначено їх практичне значення, з метою подальшого застосування у сферах: аналізу загроз національної безпеки; аналізу ринку засобів захи- сту від таких загроз; оброблення інформації про характеристики загроз (можливості прояву та шкоди); оброблення інформації про можливості запобігання загроз; розроблення алгоритмів оптимального вибору варіантів захисту. Досліджено функціональні залежності рівня безпеки держави від низки факторів впливу, що можуть бути застосовані при моделюванні безпеки дер- жави, що дає можливість визначити рівні безпеки. Досліджено теоретичні аспекти застосування штучних нейронних ме- реж, які можуть використовуватись e процесі моделювання безпеки держа- ви. Особливістю їх використання можна вважати те, що велика кількість вхідних показників, якими характеризується рівень держаної безпеки, може бути проаналізована машинним способом, з використанням алгоритмів машинного навчання. Це дає можливість проводити класифікації різних станів, наприклад, загроз, ризиків та небезпек. І хоча не вирішеним аспектом залишається вибір певної ваги впливу вхідних параметрів нейронної мережі, їх самонавчання у поєднанні з імітаційними методами математичного моде- лювання, в подальшому можуть вирішити питання оптимізації оцінювання рівня безпеки держави.

На сьогоднішній день існує багато компаній у всьому світі, що займаються розробкою систем машинного перекладу (СМП), за допомогою яких здійснюється переклад на різні мови світу. Серед них можна виділити такі: SYSTRAN (США, systransoft.com), Langenscheidt (Німеччина, langenscheidt.de), Transparent Language (США, transparent.com), LANGUAGE ENGINEERING CORPORATION (США, lec.com), Translation Experts (США, tranexp.com), Linguatec (Німеччина, linguatec.net), SDL (Великобританія, sdl.com), STAR (Швейцарія, star-group.net), ATRIL (США, atril.com), Alis Technologies (Канада, alis.com).Вивчення джерел щодо комп’ютерних технологій перекладу й опрацювання текстів свідчить, що проблеми перекладу і розпізнавання образів за допомогою машини тісно пов’язані із проблемами штучного інтелекту і кібернетикою. Проблеми створення штучної подібності людського розуму для вирішення складних завдань і моделювання розумової діяльності вивчаються досить давно. Вперше ідею штучного інтелекту висловив Р. Луллій у XIV столітті, коли він намагався створити машину для вирішення різноманітних задач з основ загальної класифікації понять. А у XVIII столітті Г. Лейбніц і Р. Декарт розвили ці ідеї, запропонувавши універсальні мови класифікації всіх наук [1].Ці ідеї лягли в основу теоретичних розробок у галузі створення штучного інтелекту. Проте розвиток штучного інтелекту як наукового напряму став можливим лише після створення електронних обчислювальних машин (ЕОМ). Це сталося у 40-ві роки ХХ століття.Термін «штучний інтелект» був запропонований в 1956 р. на семінарі, присвяченому розробці логічних завдань з аналогічною назвою у Стенфордському університеті. Штучний інтелект – розділ комп’ютерної лінгвістики та інформатики, де розглядаються формалізація проблем та завдань, які нагадують завдання, виконувані людиною. При цьому у більшості випадків алгоритм розв’язування завдання невідомий наперед. Точного визначення цієї науки немає, оскільки у філософії не вирішене питання про природу і статус людського інтелекту. Немає і точного критерію досягнення комп’ютером «розумності», хоча стосовно штучного інтелекту було запропоновано низку гіпотез, наприклад, тест Тьюринга або гіпотеза Ньюела-Саймона [2].Після визначення штучного інтелекту як самостійного розділу науки відбувся його поділ за двома основними напрямками: нейрокібернетика і кібернетика «чорного ящика». Розпізнавання образів – традиційний напрямок штучного інтелекту, близький до машинного навчання і пов’язаний з нейрокібернетикою. Кожному об’єкту відповідає матриця ознак, за якою відбувається його розпізнавання. Машинний переклад належить до кібернетики «чорного ящика», головним принципом якого є принцип, протилежний нейрокібернетиці, а саме: немає значення, як побудований «розумовий» пристрій – головне, щоб на задані вхідні дії він реагував, як людський мозок.Слід зазначити, що сьогодні науковці розглядають штучний інтелект як один з напрямків інформатики, метою якого є розробка апаратно-програмних засобів, за допомогою яких можна користувачу-непрограмісту ставити і вирішувати завдання, що традиційно вважаються інтелектуальними [2].З другої половини 1960-х рр., коли людство вступило в епоху комп’ютерних технологій, використання комп’ютерів звільнило людей від багатьох видів рутинної роботи, будь то трудомісткі обчислення чи пошук необхідних елементів в різних базах даних. При цьому слід мати на увазі, що принципова відмінність комп’ютерних технологій від будь-яких виробничих технологій полягає саме в тому, що в одному випадку технології не можуть бути безупинні, тому що вони поєднують роботу рутинного типу (скажімо, оперативний облік) і роботу творчу, яка не піддається поки що формалізації (прийняття рішень), а в іншому випадку функція виробництва безупинна і відображає строгу послідовність всіх операцій для випуску продукції (конвеєризація процесу).Переклади текстів з однієї мови на іншу можна віднести до рутинної роботи, але тільки частково. Дійсно, з одного боку, в роботі будь-якого перекладача є досить велика кількість елементів формалізму, хоча, з іншого боку, у даний час жоден серйозний переклад не може бути виконаний зовсім формально.Усі переклади можна розділити на технічні і літературні. Межа між ними є дуже «розмитою» (проміжне положення займають, наприклад, переклади ділових листів). Особливістю технічних перекладів є необхідність у першу чергу знати стандарти фахових понять. Специфіка ж літературного перекладу полягає в тому, що потрібно одержати текст, за художньою цінністю максимально близький до оригіналу. Якість виконання з використанням комп’ютера технічних і літературних перекладів у теперішній час зовсім різна: технічні переклади є якісніші, ніж літературні. Останній факт особливо відчутний при перекладі віршованих форм  тут використання комп’ютера практично неможливе: його використання поступається поетам-перекладачам.Переклад текстів  одна з перших функцій, яку людина спробувала виконати за допомогою комп’ютера. Всього через кілька років після створення перших ЕОМ з’явилися і програми машинного перекладу. Датою народження машинного перекладу як галузі досліджень прийнято вважати 1947 р. Саме тоді У. Уівер [3] (який написав трохи пізніше, у 1949 р., разом із К. Шенноном книгу з основ теорії інформації), написав лист Н. Вінеру, «батькові кібернетики», порівнявши в цьому листі завдання перекладу із завданням дешифрування текстів.Завдання дешифрування до цього часу вже вирішувалися (і небезуспішно) на електромеханічних пристроях. Більше того, перша діюча ЕОМ за назвою Colossus-1, сконструйована в Англії в 1942-43 рр. знаменитим математиком і логіком А. Тьюрінгом, автором теоретичного автомата «машина Тьюрінга», разом з Х. А. Ньюменом, використовувалася під час війни для розшифровування секретних німецьких кодів. Оскільки ЕОМ Colossus-1, як і всі перші обчислювальні машини, конструювалася і використовувалася головним чином для військових цілей, відомості про неї стали відомі набагато пізніше її введення в експлуатацію. У 1944 р. Г. Айкен сконструював обчислювальну машину МАРК-1 на електромеханічних елементах і установив її в Гарвардському університеті. Ця машина також використовувалася для виконання завдань дешифрування. Відзначимо також, що завдання дешифрування доводилося і доводиться нерідко вирішувати не тільки військовим, але також археологам і історикам при спробах прочитати рукописи давніми, забутими мовами [4].Після листа У. Уівера Н. Вінерові відбувся ряд гострих наукових дискусій, потім були виділені гроші на дослідження. Сам Н. Вінер, що вільно розмовляв 13-тьма мовами, довгий час оцінював можливості комп’ютерного перекладу дуже скептично. Він, зокрема, писав: «...що стосується проблеми механічного перекладу, то, відверто кажучи, я боюся, що межі слів у різних мовах занадто розпливчасті, а емоційні й інтернаціональні слова займають занадто велике місце в мові, щоб який-небудь напівмеханічний спосіб перекладу був багатообіцяючим... В даний час механізація мови... уявляється мені передчасною» [5, 152]. Однак, всупереч скепсису Вінера і ряду інших вчених зі світовими іменами, у 1952 р. відбулася перша міжнародна конференція з машинного перекладу. Організатором цієї конференції був відомий ізраїльський математик І. Бар-Хіллел. Він прославився в першу чергу застосуванням ідей і методів математичної логіки в різних напрямках досліджень з теорії множин і основ математики, але видав також ряд робіт із загальної теорії мови, математичної лінгвістики, автоматичного перекладу і теорії визначень (у СРСР була дуже популярна монографія «Основи теорії множин», написана І. Бар-Хіллелом разом з А. А. Френкелом) [3].Незабаром після конференції 1952 р. був досягнутий ряд успіхів у академічних дослідженнях, які, у свою чергу, стимулювали комерційний інтерес до проблеми машинного перекладу. Вже в 1954 р. знаменита фірма IBM разом із Джорджтаунським університетом (США) зуміла показати першу систему, що базується на словнику з 250-ти слів і 6-ти синтаксичних правилах. За допомогою цієї системи забезпечувався переклад 49-ти заздалегідь відібраних речень. Вже до 1958 р. у світі існували програмні системи для машинного перекладу технічних текстів, найдосконаліша з яких була розроблена в СРСР і мала запас 952 слова.В період з 1954 р. по 1964 р. уряд і різні військові відомства США витратили на дослідження в галузі машинного перекладу близько 40 млн. доларів. Однак незабаром «запаморочення від успіхів» змінилося повною зневірою, що доходила практично до повного заперечення здійсненності машинного перекладу. До подібного висновку прийшли на основі звіту, виконаного спеціальним комітетом із прикладної лінгвістики (ALPAC) Національної Академії наук США. У звіті констатувалося, що використання систем автоматичного перекладу не зможе забезпечити прийнятну якість у найближчому майбутньому. Песимізм ALPAC був обумовлений, головним чином, невисоким рівнем розвитку комп’ютер­ної техніки того часу. Справді, труднощі роботи з перфокартами і величезними комп’ютерами I-го і II-го поколінь (на електронних лампах чи транзисторах) були чималими. Саме з цих причин перші проекти не дали істотних практичних результатів. Однак були виявлені основні проблеми перекладу текстів природною мовою: багатозначність слів і синтаксичних конструкцій, практична неможливість опису семантичної структури світу навіть в обмеженій предметній галузі, відсутність ефективних формальних методів опису лінгвістичних закономірностей [6].До поширення персональних комп’ютерів машинний переклад міг бути швидше цікавим об’єктом наукових досліджень, ніж важливою сферою застосування обчислювальної техніки. Причинами цього були:висока вартість часу роботи ЕОМ (з огляду на той факт, що кожну обчислювальну машину обслуговувала велика група системних програмістів, інженерів, техніків і операторів, для кожної машини було потрібне окреме, спеціально обладнане приміщення і т.п., «комп’ютерний час» був дуже і дуже дорогим);колективне використання ресурсів комп’ютера. Це часто не дозволяло негайно звернутися до електронного помічника, зводячи нанівець найважливішу перевагу машинного перекладу перед звичайним  його оперативність.За результатами звіту ALPAC дослідження з комп’ютерного перекладу припинилися на півтора десятка років через відсутність фінансування. Однак у цей же час відбувся якісний стрибок у розвитку обчислювальної техніки за рахунок переходу до технологій інтегральних схем. ЕОМ III-го покоління на інтегральних схемах, що використовувалися у 1960-ті роки, до кінця 1960-х  початку 1970-х років стали витіснятися машинами IV-го покоління на великих інтегральних схемах. Нарешті, у 1970 р. М. Е. Хофф (Intel) створив перший мікропроцесор, тобто інтегральну схему, придатну для виконання функції великої ЕОМ. До середини 1970-х років з’явилися перші комерційно розповсюджувані персональні комп’ютери (ПК) на базі 8-розрядних мікропроцесорів фірми Intel. Це була на той час комп’ютерна революція.Саме поява ПК стала сильним додатковим стимулом для вдосконалювання комп’ютерного перекладу (особливо після створення комп’ю­терів Apple II у 1977 р. і IBM PC у 1981 р.). Поновленню досліджень з комп’ютерного перекладу сприяло також підвищення рівня розвитку техніки і науки взагалі. Так, у 1970-ті рр. одержала поширення система автоматизованого перекладу SYSTRAN. Протягом 1974-75 рр. система була використана аерокосмічною асоціацією NASA для перекладу документів проекту «Союз-Аполлон». До кінця 1980-х років за допомогою цієї системи перекладали з кількох мов вже близько 100 000 сторінок щорічно. Розвитку комп’ютерного перекладу сприяло ще і зростання інтересу дослідників і проектувальників до проблеми штучного інтелекту (тут явно переважали лінгвістичні аспекти) і комп’ютерного пошуку даних [7].Починаючи з 1980-х рр., коли вартість машинного часу помітно знизилась, а доступ до них можна було одержати в будь-який час, машинний переклад став економічно вигідним. У ці і наступні роки удосконалювання програм дозволило досить точно перекладати багато видів текстів. 1990-ті рр. можна вважати справжньою «епохою Відродження» у розвитку комп’ютерного перекладу, що пов’язано не тільки з широкими можливостями використання ПК і появою нових технічних засобів (у першу чергу сканерів), але і з появою комп’ютерних мереж, зокрема глобальної мережі Internet.Наприклад, створення Європейської Інформаційної Мережі (EURONET DIANA) стимулювало роботи зі створення систем автоматизованого перекладу. У 1982 р. було оголошено про створення європейської програми EUROTRA, метою реалізації якої була розробка системи комп’ютерного перекладу для всіх європейських мов. Спочатку проект оцінювався в 12 млн. доларів США, але вже в 1987 р. фахівці визначили сумарні витрати по цьому проекту більш ніж у 160 млн. доларів [4].Використання глобальної мережі Internet об’єднало мільйони людей, що говорять різними мовами, у єдиний інформаційний простір. Домінує, природно, англійська мова, але: є користувачі, які нею зовсім не володіють чи володіють дуже слабко; існує безліч Web-сторінок, написаних не англійською мовою.Для полегшення перегляду Web-сторінок, описаних незнайомою користувачеві мовою, з’явилися додатки до браузерів, за допомогою яких здійснюється переклад обраних користувачем фрагментів Web-сторінки або всієї Web-сторінки, що переглядається. Для цього досить лише скопіювати частину тексту та вставити його у відповідне поле або «натиснути» на спеціальну кнопку меню. Прикладом такого комп’ютерного перекладача є програмний засіб WebTransSite фірми «Промт», створений на базі програмного засобу Stylus, який можна використовувати в різних браузерах (Netscape Navigator, Internet Explorer, Mozilla Firefox, Opera та ін.) або, наприклад, Google Translate – це сервіс компанії Google, за допомогою якого можна автоматично перекладати слова, фрази та Web-сторінки з однієї мови на іншу. В системі Google використовується власне програмне забезпечення для перекладу на основі статистичного машинного перекладу. З вересня 2008 р. підтримуються й переклади українською мовою. Користувач уводить текст, поданий мовою оригіналу, та вказує мову, якою цей текст потрібно подати.Проблемами машинного перекладу в теперішній час займається ряд відомих компаній, таких як SYSTRAN Software Inc., Logos Corp., Globalink Inc., Alis Technologies Inc., Toshiba Corp., Compu Serve, Fujitsu Corp., TRADOS Inc., Промт та інші. З’явилися також компанії, що спеціалізуються на машинному перекладі, зокрема компанія SAP AG, яка є європейським лідером у розробці програмного забезпечення і протягом багатьох років використовує системи машинного перекладу різних виробників при локалізації своїх програмних продуктів. Існує і служба машинного перекладу при комісії Європейського Союзу (обсяг перекладу в комісії перевищує 2,5 млн. сторінок щорічно; переклади всіх документів виконуються оперативно 11-тьма офіційними мовами, забезпечують їх 1100 перекладачів, 100 лінгвістів, 100 менеджерів і 500 секретарів) [8].Проблемам комп’ютерного перекладу значна увага науковців приділяється в галузі лінгвістики, зокрема в Україні у Київському державному університеті лінгвістики, дуже міцною є лінгвістична школа Санкт-Петербурга та Москви. Не можна не згадати такі праці, як фундаментальна монографія Ф. Джорджа «Основи кібернетики» [5], Дж. Вудера «Science without properties», О. К. Жолковського «О правилах семантического анализа», Ю. М. Марчука «Проблемы машинного перевода», Г. С. Цейтіна, М. І. Откупщикової та ін. «Система анализа текста с процедурным представлением словарной информации» [6] та інші, в яких сформульовані основні принципи і проблеми практичної реалізації машинного перекладу. Ці монографії містять цікавий фактичний матеріал і можуть бути корисні педагогу в побудові курсу лекцій з комп’ютерних технологій перекладу й опрацювання текстів.Протягом багатьох років науковці в галузях лінгвістики, кібернетики, інформатики вели інтенсивні пошуки моделей і алгоритмів людського мислення і розробок програм, але так сталося, що жодна з наук – філософія, психологія, лінгвістика – не в змозі запропонувати такого алгоритму. Таким чином, штучний інтелект як «генератор знань» [9, 139] ще не створений, машинний переклад є частково структурованим завданням, а тому втручання людини в створення досконалих перекладів буде потрібне завжди і її треба, як слід, цього навчати.

Розглянуто основні сучасні та популярні підходи до вирішення задач розпізнавання ознак зображень і відео. Встановлено переваги та недоліки актуальних методів оброблення візуальної інформації, а також сучасні невирішені проблеми, пов'язані із цим сегментом робіт. Спираючись на сучасний стан досліджень з цієї предметної області, запропоновано нову систему, призначення якої "навчитись" ідентифікувати відео за його фрагментом, враховуючи характеристики зображеного у відеоряді. Першим етапом аналізу відео є його розбиття на окремі кадри, враховуючи зміну ентропії, колірної схеми та структурні відмінності сцени. Спираючись на сучасні методи, реалізовано алгоритм перетворення відео в набір кадрів. Виявлено, що компактне представлення відео у вигляді набору ключових кадрів дає змогу виділити основні контекстні характеристики. Враховуючи сучасні методи визначення характеристик зображень та ефективність машинного навчання, вирішено застосувати згорткові нейронні мережі для визначення векторних представлень. Під час вибору коректної архітектури та моделі нейронної мережі здійснено порівняльний аналіз ефективності їх роботи з використанням бази ImageNet. В наступних етапах, роботу із відео буде представлено у вигляді маніпуляції із векторами характеристик кожного кадру. Запропоновано спосіб пошуку збігу фрагментів, враховуючи оцінку кута між векторами представлень кадрів. Для покращення оптимізації пошуку розглянуто способи застосування методів індексації векторного простору кадрів. Варто застосувати цей підхід оптимізації, щоб уникнути різкої деградації ефективності пошуку із збільшенням бази. Унаслідок виконаної роботи реалізовано програмну систему у вигляді вебаплікації, яка демонструє пошук відео за його фрагментом. Проте це тільки прототип для візуалізації процесу. Під час проведення експериментів оцінено вплив та залежність довжини відео, його роздільної здатності та обсягу тестової бази від ефективності процесу пошуку. Передусім ця робота є актуальною через цінність досліджень в напрямку розвитку методів оброблення та аналізу відеоконтенту. Виявлено, що ця система має подальший розвиток та право на існування, якщо врахувати майбутні оптимізації пошуку та покращення вилучення дескрипторів.

Виконано огляд та аналіз літературних джерел, в яких досліджено явища старіння програмного забезпечення мобільних додатків. Визначено основні характеристики явища старіння програмного забезпечення. Встановлено, що мобільні системи та додатки є особливо вразливі до ефектів старіння і потребують детальних досліджень. Охарактеризовано основні методи та засоби дослідження явища старіння, що застосовуються для його вивчення в мобільній системі Android. Описано загальну схему дослідження явища старіння, яка дає змогу проводити експерименти та визначати наявність чи відсутність старіння в системі, а також вказує на вплив факторів на прояви старіння. Визначено використовувані індикатори старіння, а саме такі індикатори системи та додатків, як тривалість запуску Android Activity, оперативна пам'ять, файлове сховище, використання CPU, Garbage Collector. Виділено основні фактори, що впливають на прояви явища старіння: технічні характеристики пристрою, типи додатків та програмний код, інтенсивність запуску додатків, події введення, оперативна пам'ять та пам'ять файлового сховища. Встановлено, що згідно з результатами попередніх досліджень, ефективними алгоритмами машинного навчання для визначення наявності старіння є метод опорних векторів та дерева прийняття рішень. Проаналізовано наявні дослідження, методи та засоби виконання процедури омолодження програмного забезпечення для зменшення впливу старіння на надійність системи Android. З'ясовано, що для протидії старінню програмного забезпечення в мобільній системі Android пропонують засоби як на рівні розроблення архітектури та реалізації мобільного додатку, так і на системному рівні і рівні компонент. Встановлено, що ключовим засобом протидії старінню є перезавантаження компонент на рівні системи (наприклад, Activity manager) чи додатків (Java-контейнери), а також є необхідність розроблення таких засобів для планування виконання процедури омолодження. Обґрунтовано актуальність впливу явища старіння на забезпечення надійності сучасних мобільних та вбудованих систем. Визначено напрями майбутніх досліджень, а саме: визначення ефективних факторів і індикаторів для мобільних систем, побудова моделей старіння, розроблення методів і засобів омолодження програмного забезпечення мобільних систем.

Одним із основних напрямів підвищення ефективності підготовки кваліфікованих робітників для поліграфічної галузі на теперішній час розглядається навчання, в основі якого лежить концепція дидактично усвідомленої інтеграції технології „класичного навчання” і технології навчання, що ґрунтується на нових інформаційних технологіях.Відомий теоретик виробничої педагогіки академік С. Батишев, аналізуючи вимоги до підготовки робітників, зауважував то тому, що процес їх формування має дві сторони: кількісну, яка характеризується різноманіттям робіт, та якісну, що визначає складність виконаних робіт. Виконання робітником виробничих функцій залежить від рівня розвитку техніки, від того, чи працює робітник за допомогою машинної чи автоматизованої техніки [1, с. 46].Основоположник вітчизняної кібернетики та інформатики академік В. Глушков вважав, що автоматизація інформаційних технологій у редакційно-видавничій діяльності викликана необхідністю виключення помилок виготовлення верстки та її коригування на всіх етапах технологічного процесу виготовлення поліграфічної продукції, починаючи від операцій безпосереднього введення даних до комп’ютера, комп’ютерного редагування, монтажу сторінок або газетної смуги до перенесення підготовлених на комп’ютері копій до автоматичних набірних машин. Крім того, в сучасних автоматизованих редакціях, на думку вченого, мають бути створені редакційні автоматизовані архіви – інформаційно-пошукові документальні дворівневі системи дескрипторного типу, завдяки чому забезпечується можливість вести статистику опублікованих матеріалів і відповідним чином планувати новий матеріал [3, с. 386].Широке впровадження комп’ютерних технологій у поліграфічному виробництві, інтеграція додрукарських, друкарських і післядрукарських видавничо-поліграфічних процесів, об’єднання всіх стадій технологічного процесу виготовлення друкованої продукції єдиним інформаційним потоком, необхідним для спільної роботи обладнання поліграфічного підприємства спричинили потребу у фахівцях інтегрованих професій. Виробничі завдання організації технологічного процесу, зокрема накопичення, збереження, передача і оброблення інформації, зняття її за допомогою реєструючих пристроїв, підключення до джерел інформації, вивчення інформаційних потоків, підтримування баз даних, відбір і реалізація алгоритмів оброблення інформації, виведення графічної й текстової інформації, перевірка якості готової друкарської продукції складають основу функціональної діяльності оператора з уведення і обробки інформації в комп’ютерній видавничій системі, верстальника, препрес-оператора і оператора друкарського цеху. Водночас, варто зазначити, що роботодавці з кожним роком оновлюють поліграфічне обладнання, впроваджують автоматизовані інформаційні системи управління поліграфічним підприємством, що, в свою чергу, потребує від працівників систематичного самостійного підвищення власного професійного рівня відповідно до виробничих інновацій. Отже, зрослі вимоги до готовності майбутніх поліграфістів до оволодіння ними виробничими технологіями з високим рівнем комп’ютеризації виробничих процесів потребують обґрунтування нового змісту, засобів і методів професійної поліграфічної освіти.Досліджуючи техніко-технологічні аспекти розвитку професійно-технічної освіти, академік НАПН України Н. Ничкало приходить до висновку, що зміст освіти повинен мати випереджувальний характер і постійно оновлюватися з урахуванням динамічних змін у різних галузях економіки, техніки, технологіях, узгодження та взаємозв’язок з метою забезпечення наступності навчання і виховання на всіх рівнях неперервної професійної освіти. Винятково важливим, на думку вченого, є регламентування змісту освіти державними стандартами та їх формування з урахуванням галузевої та регіональної специфіки на кожному ступені навчання [6, с. 91].Реалізація інноваційних компонентів освітньої парадигми, як зазначає Е. Зеєр, вимагає оновлення змісту професійної освіти і державних стандартів, що мають бути зорієнтовані не на вихідні програмні матеріали, а на результат процесу освіти, включаючи компетентність і компетенції [5, с. 27]. У цьому зв’язку здається правомірною точка зору, висловлена С. Батишевим про те, що для майбутніх робітників важливо навчитися ще в стінах училища використовувати знання у виробничій діяльності [1, с. 165]. Тому слід підвищувати ефективність методів вивчення теоретичного матеріалу, інтегрувати його з практикою, забезпечувати наступність теорії з практикою. У кожному профтехучилищі, як зазначав учений, мають бути кабінети і лабораторії з кожної професії – майстерня з новітнім обладнанням, механізмами, устаткуваннями, передбачено обладнання автоваматиувазованих класів, кабінетів інформатики і обчислювальної техніки [1, с. 174]. Очевидно, що практична реалізація моделей навчання як інструмента модернізації сучасної професійно-технічної освіти полягає в проектуванні нових педагогічних методик навчання, основаних на інтеграції традиційних підходів до організації навчально-виробничого процесу, в ході якого здійснюється безпосереднє передавання знань, та інформаційно-освітніх технологій навчання.Академік НАПН України В. Биков розглядає методику навчання як модель навчального процесу, яка інтегрує зміст навчання і навчальну технологію. Методика спрямована на цілі навчання; ґрунтується на змісті навчання, який сформований для досягнення цілей; відбиває психолого-педагогічні методи навчання, які обрані для викладання; визначає діяльність учасників навчального процесу, організацію їх взаємодії, характер і структуру використання ними ресурсів навчального середовища, які застосовуються для забезпечення навчання [2, с. 75].До методів навчання майбутніх кваліфікованих робітників поліграфічного профілю ми будемо відносити методи, що активно використовують потенціал педагогічних, інформаційних і комунікаційних технологій для формування і розвитку в учнів знань, умінь, навичок, способів виконання різних видів інформаційної діяльності, зокрема інтеграцію активних проблемних методів навчання, навчання у співробітництві; створення ситуацій актуальності, успіху в навчанні; формування розуміння власної значущості виконання різних видів професійної діяльності.Засоби інформаційно-комунікаційних технологій є домінуючими складовими засобів інформаційно-освітніх технологій. Ці засоби визначаються І. Роберт як програмно-апаратні і технічні засоби і пристрої, що функціонують на базі мікропроцесорної, обчислювальної техніки, а також сучасних засобів і систем трансляції інформації, інформаційного обміну [7, с. 96].Розширення сфери впливу інформаційно-комунікаційних технологій до будь-якого предметного середовища ілюструє достатньо універсальну схему додатків інформатики і стає за теперішніх умов домінуючою ідеєю в будь-якій предметній освіті. Під впливом цього процесу знаходяться всі предметні сфери діяльності завдяки тому, що широке впровадження і звичне застосування інформаційно-комунікаційних технологій стає методологічною основою домінування прикладного компонента освіти в галузі конкретної предметної діяльності. Як зазначає професор Ю. Дорошенко, функціональна спрямованість навчання практичного розв’язання завдань засобами інформаційно-комунікаційних технологій має ґрунтуватися на раціональному поєднанні якомога ширшого кола споріднених видів професійної діяльності людини, забезпечувати формування узагальнених уявлень про сферу прикладання та особливості майбутньої професійної діяльності [4, c. 73]. На нашу думку, конструктивна інтеграції засобів і методів навчання у процесі підготовки майбутніх кваліфікованих робітників поліграфічного профілю дозволить вибудовувати навчання відповідно до вимог роботодавців і забезпечить розвиток професійно значущих компетентностей.Розглядаючи весь технологічний ланцюжок перетворення інформації від етапу введення до комп’ютерної видавничої системи до отримання готового відтиску можна виділити єдиний набір завдань, що містить комплекси функціональних завдань автоматизованих робочих місць операторів поліграфічного виробництва (табл. 1).Таблиця 1Функціональні завдання операторів поліграфічного виробництва № з/пСпеціалізація кваліфікованого робітникаФункціональні завдання1Оператор з уведення данихНалагодження параметрів уведення з урахуванням технологічного процесу;автоматизація введення і оброблення інформації;створення профілів пристроїв;налагодження системи.2Оператор-верстальникПідготовка оригінал-макету видання;проведення екранної кольоропроби;урахування параметрів технологічного процесу;підготовка до виведення.3Препрес-операторПеревірка оригінал-макету видання;проведення цифрової кольоропроби;монтаж спуску смуг;контроль спуску смуг;виведення друкованих форм.4ТехнологСтворення технологічної карти замовлення;редагування технологічної карти замовлення.5Оператор друкарського цехуКонтроль виконання операції друку;формування звітних даних про завантаження обладнання;контроль якості на відтиску. Реалізація оновленої методичної системи має здійснюватися на заняттях зі спецтехнології, в процесі виробничого навчання в майстерні, виробничої практики на поліграфічному підприємстві. Підвищення ефективності проведення теоретичних занять має досягатися завдяки застосуванню засобів мультимедійного обладнання, демонстраційних презентацій, електронних підручників і навчальних ресурсів, розроблених викладачами спецдисциплін; використання інтерактивної дошки. У процесі підготовки і проведення теоретичних занять доцільним є використання активних, проблемних методів навчання, навчання у співробітництві.Застосування засобів і методів інформаційного навчання в процесі проведення лабораторно-практичних робіт сприятиме проведенню цікавих і насичених занять. Використання на заняттях виробничого навчання методів „мозкового штурму”, групової дискусії надасть навчально-виробничій діяльності майбутніх кваліфікованих робітників поліграфічного профілю продуктивного, творчого характеру. З-за обмеженої кількості офсетних машин вивчення технології друкарської справи переважно здійснюється за бригадною формою навчання. Майстер виробничого навчання має вибудувати послідовність оволодіння трудовими операціями і прийомами таким чином, щоб частина учнів відпрацьовувала їх безпосередньо на обладнанні, а частина – самостійно, використовуючи електронні освітні ресурси.Розвиток систем автоматизації в поліграфії, представлений на теперішній час на українському ринку множиною автоматизованих інформаційних систем управління поліграфічним підприємством як вітчизняного, так і зарубіжного виробництва – PrintEffect, Prinect, Annex, АСУ „Типографія”, зумовлює необхідність обов’язкового стажування майстрів виробничого навчання на сучасних поліграфічних підприємствах. Сучасні технологічні процеси друку ґрунтуються на комп’ютерних технологіях computer-to- …: CtF – computer-to-film (з комп’ютера на фотоплівку), CtP – computer-to-plane (з комп’ютера на друкарську форму), – computer-to-press (з комп’ютера в друкарську машину), – computer-to-print (з комп’ютера в друк). Навчання майбутніх кваліфікованих робітників поліграфічного профілю на заняттях виробничого навчання має здійснюватися за допомогою методичних рекомендацій, педагогічних програмних засобів щодо впровадження інноваційних виробничих технологій, розроблених викладачами спецдисциплін та майстрами виробничого навчання ПТНЗ.Висновок. Отже, використання засобів і методів інформаційних технологій у підготовці майбутніх кваліфікованих робітників поліграфічного профілю, завдяки значним дидактичним можливостям, здійсненню впливу на форми організації теоретичного і професійно спрямованого навчання, на активізацію, інтенсифікацію і ефективність навчально-виробничого процесу, дозволить підвищити рівень мотивації до оволодіння інтегрованими знаннями і вміннями, забезпечить реалізацію методичної системи розвитку професійних компетентностей.

Застосування даних дистанційного зондування Землі (ДЗЗ) із супутникових, повітряних та незайнятих приладових платформ швидко зростає в різних сферах екологічного моніторингу. Охоплення великих просторових масштабів та можливість повторних спостережень роблять цю технологію економічно вигідною порівняно з польовими дослідженнями. Цей потенціал представляє особливий інтерес для чутливих екосистем з високим рівнем біорізноманіття, але складним доступом в польових умовах, таким як водно-болотні угіддя та річкові системи, що знаходяться під загрозою в усьому світі. Цей огляд обговорює основні сучасні проблеми використання ДЗЗ для таких екосистем та способи їх вирішення, наголошуючи на трьох основних стратегіях. По-перше, використання знімків ДЗЗ що представляють різні пори року замість однієї дати може значно полегшити розпізнавання різних типів рослинності та болотних поверхонь на основі їх сезонних спектральних контрастів. По-друге, як дуже висока, так і дуже низька просторова роздільна здатність зображень може ускладнити картування різноманітних поверхонь в водно-болотних ландшафтах через наявність спектального «шуму» або недостатнє відтворення меж різних ландшафтних елементів. Цю проблему можна полегшити за допомогою об'єктного аналізу зображень, де замість окремих пікселей мінімальними одиницями картування є невеликі обєкти, або групи пікселів утворені за допомогою сегментації, а спектральний шум зменшується за рахунок усереднення спектральної інформації на рівні таких об'єктів. Нарешті, картування та моніторинг водно-болотних угідь можуть інтенсивніше використовувати нові алгоритми машинного навчання, які долають статистичні обмеження попередніх підходів та покращують розпізнавання ландшафтних класів. Найголовніше, ці заходи доповнюють один одного і тому їх слід застосовувати разом, інтегруючи в один робочий процес ландшафтного аналізу.

Розглянуті питання виявлення помилок в штучних нейромережах, що пов’язані з суперечливістю думок експертів та/або обмеженістю (недосконалістю) опису предметної області. Проаналізовано підходи щодо їх відлагодження. Показані шляхи вдосконалення існуючих підходів щодо відлагодження помилок типу “забування про виключення”. Показано можливі шляхи застосування отриманих рішень для відлагодження помилок “перетин критичних подій”. Запропоновано формалізоване визначення помилки нейромережевої інтелектуальної системи з урахуванням вимог до оперативності і точності подання інформації. Розглянуті питання впливу некоректної організації машинного навчання на точність класифікації елементів нейромережевої інтелектуальної системи. Доведено можливість застосування методів контрастування мереж на підготовчому етапі до тестування бази знань інтелектуальної системи підтримки прийняття рішень, що дозволяє зменшити ймовірність виникнення помилок даного типу для зазначених систем. Наведено класифікацію алгоритмів вибірки знань з інтелектуальної нейронної мережі, виконано їх аналіз та показано, що для виявлення зазначених типів помилок доцільно використовувати модифікований алгоритм GLARE з процедурою адаптації. Наведено блок-схеми алгоритмів відлагодження БЗ ІСППР, що використовують отримані теоретичні рішення. Запропоновано схему організації процесу тестування за рівнями деталізації для інтеграційного та модульного тестування, що може бути застосована для реалізації процесів тестування Agile-методології, зокрема: Agile Modeling, Agile Unified Process, Agile Data Method, Essential Unified Process, Extreme Programming, Feature Driven Development, Getting Real, Open UP, Scrum, Kanban.

Розглянуті питання виявлення помилок в штучних нейромережах, що пов’язані з суперечливістю думок експертів та/або обмеженістю (недосконалістю) опису предметної області. Проаналізовано підходи щодо їх відлагодження. Показані шляхи вдосконалення існуючих підходів щодо відлагодження помилок типу “забування про виключення”. Показано можливі шляхи застосування отриманих рішень для відлагодження помилок “перетин критичних подій”. Запропоновано формалізоване визначення помилки нейромережевої інтелектуальної системи з урахуванням вимог до оперативності і точності подання інформації. Розглянуті питання впливу некоректної організації машинного навчання на точність класифікації елементів нейромережевої інтелектуальної системи. Доведено можливість застосування методів контрастування мереж на підготовчому етапі до тестування бази знань інтелектуальної системи підтримки прийняття рішень, що дозволяє зменшити ймовірність виникнення помилок даного типу для зазначених систем. Наведено класифікацію алгоритмів вибірки знань з інтелектуальної нейронної мережі, виконано їх аналіз та показано, що для виявлення зазначених типів помилок доцільно використовувати модифікований алгоритм GLARE з процедурою адаптації. Наведено блок-схеми алгоритмів відлагодження БЗ ІСППР, що використовують отримані теоретичні рішення. Запропоновано схему організації процесу тестування за рівнями деталізації для інтеграційного та модульного тестування, що може бути застосована для реалізації процесів тестування Agile-методології, зокрема: Agile Modeling, Agile Unified Process, Agile Data Method, Essential Unified Process, Extreme Programming, Feature Driven Development, Getting Real, Open UP, Scrum, Kanban.