Academic literature on the topic 'Набори даних'

Предметом вивчення у статті є процес тестування методів побудови рекомендаційних систем на основі відкритих наборів даних у мережі Інтернет. Метою є дослідження відкритих наборів даних веб-ресурсів у контексті застосування їх для тестування різних методів побудови рекомендаційних систем. Завдання: дослідити сучасні вебплатформи з відкритими наборами даних та можливість застосування їх даних для тестування якості роботи різних рекомендаційних систем. Отримані такі результати: Розглянуто найбільш популярні веб-платформи з відкритими наборами різнотипних мережевих даних. Здійснено порівняльний аналіз цих платформ з точки зору наявності вільного доступу до завантаження даних, їх функціональності та територіальної приналежності, формату даних та зручності для подальшого використання для машинного навчання, а також можливості застосування для тестування рекомендаційних систем. Також проведено оцінку актуальності даних, що зберігаються у репозиторіях з вільним доступом та наявності їх оновлення з часом. Висновки. Досліджено веб-платформи, що містять відкриті набори даних, які можна використати для тестування рекомендаційних систем. Основними перевагами більшості платформ є підтримка сучасних форматів даних та умовно вільний або вільний доступ. Серед недоліків розглянутих платформ слід зазначити недостатню структурованість деяких наборів даних, зокрема текстових, що значно обмежує їх застосування для тестування методів контентної фільтрації. Окрім того, одним з факторів, що обмежує використання відкритих наборів даних є їхня актуальність, тому що деякі набори, що зберігаються на платформах, є застарілими та не оновлюються. Усі розглянуті набори даних можуть бути застосовані для дослідницьких цілей та тестування роботи рекомендаційних систем.

В даній роботі проведено аналіз ефективності застосування штучних нейронних мереж для вирішення задачі класифікації для невеликих наборів медичних даних із сфери діагностування. Для дослідження було обрано два набори даних: дані про серцево-судинні захворювання та про хвороби печінки. Отримані результати було порівняно з результатами точності для стандартних методів машинного навчання, що використовуються в задачах класифікації Для проведення дослідження було обрано модель багатошарового перцептрона. Програмним засобом для реалізації став Python, що надає можливість використовувати допоміжні бібліотеки при роботі з методами машинного навчання.

Із аналізу експериментальних диференціальних перерізів пружного розсіяння нейтронів у області енергії до 440 кеВ визначено повні набори середніх резонансних параметрів S0, S1, R'0, R'1, S1,3/2 ядер телуру і неодиму з природним складом ізотопів. Проведено аналіз отриманих результатів, а також рекомендованих параметрів та деяких літературних даних.

Розглянуто особливості прогнозування попиту на пасажирські перевезення таксі методами нейронної мережі за різних наборів вхідних даних, складу параметрів архітектури мережі, конфігурації апаратного забезпечення та його потужності. З'ясовано, що для зменшення тривалості очікування нових замовлень та відстані до клієнтів доцільно використовувати відповідні інформаційно-аналітичні системи, робота яких ґрунтується на штучному інтелекті. Це дасть змогу вирішити проблему попиту на перевезення таксі у відповідний період доби з врахуванням погодних умов, святкових, вихідних і робочих днів, а також пори року. Врахування ж наявних транспортних об'єктів – авіарейсів, потягів чи автобусів значно покращують роботу такої дорадчої системи. Використана в роботі гібридна архітектура нейро-фаззі мережі дає змогу одночасно вирішувати завдання короткотермінового прогнозування попиту на пасажирські перевезення таксі, а також проводити діагностику самої мережі, що полягає у виявленні різких змін властивостей обчислювального процесу. Для досягнення відповідної точності прогнозу в роботі опрацьовано набори вхідних даних у кількості 4,5 млн поїздок таксі. Для зменшення тривалості процедури навчання нейронної мережі організовано паралельні обчислення між різними вузлами мережі за допомогою графічних процесорів. Проведено навчання нейронної мережі на центральному процесорі, одному та двох графічних процесорах відповідно. З'ясовано, що організація паралельних обчислень на декількох графічних процесорах не завжди зменшує тривалість процедури навчання мережі, оскільки витрати на синхронізацію градієнтів між активними процесами значно перевищують користь від паралельних розрахунків. Встановлено, що за умови великого обсягу даних для організації паралельних обчислень та відповідної архітектури нейронної мережі можна досягти деякого зменшення тривалості процедури її навчання. Визначено, що зменшення тривалості процедури навчання нейронної мережі залежить від таких чинників: її архітектури, кількості параметрів навчання, конфігурації апаратного забезпечення та організації паралельних розрахунків.

Сучасні сценарії аналітики стають все більш складними, багаторівневими та мережевими. Це означає, що існуючі алгоритми обробки даних, веб-сервіси, аналітичні платформи, чисельні плагіни, створені різними командами розробників, повинні бути доступними, зрозумілими та придатними для інтеграції у сценарії аналітика шляхом подолання різного роду неоднорідностей і логічних невідповідностей. Одним із методів подолання неоднорідності та логічної неузгодженості є семантичне посередництво — Mediation, яке здійснюється спеціальними програмними засобами, що використовують знання про певні набори даних предметної області, умови логічних переходів між кроками сценаріїв та інше. У статті розглянуто теоретичні аспекти вирішення проблем сумісності в галузі побудови складних сценаріїв. Особливу увагу приділено онтологічним аспектам подолання невідповідностей при здійснені багатофакторних переходів між кроками складного сценарію. Тобто розглянуто та класифіковано невідповідності, умови сумісності, зручність викорис-тання, їхні властивості та взаємозв’язки, концепції посередництва, функції семантичного медіатора. Запропоновано шляхи їхнього вирішення та розглянуто інструментальне середовище для реалізації семантичного медіатора.

Для вимірювання на дослідницькому ядерному реакторі щільності потоку теплових нейтронів з метою визначення розподілу його щільності за радіусом і висотою активної зони, перерізом тепловидільної збірки, а також у штатних опроміню вальних пристроях використовувалися спеціальні метрологічні набори АКН (активаційний набір) і АКН-Т (активаційний набір тепловий) з детекторами з чистого золота та інших особливо чистих елементів. В даний час такі набори в Україні не виробляються. Пропонується замінити золоті детектори АКН-Т на метрологічно атестовані детектори з сусального золота, які не поступаються за ефективністю детекторам активаційного набору.

Дослідження присвячене вивченню коаліційної спроможності як однієї з невід’ємних характеристик, прита- манних третьому сектору. Натепер українські реалії показують, що об’єднання неурядових організацій (НУО) навколо спільної мети та їх спільна робота є більш результативними, ніж розрізнена діяльність в однаковому напрямі. Нині складно оцінити повною мірою рівень розвитку коаліційних спроможностей сектору неурядових організацій та ефективність таких об’єднань передусім через відсутність системи фіксації або висвітлення такої інформації. У даному дослідженні ми намагаємось дослідити вплив коаліційності на виконання сектором своїх основних функцій на прикладі однієї з діючих коаліцій неурядових організацій – спільноти громадського моніторингу публічних закупівель – “DoZorro”. Отримані результати дають можливість визначити розбудо- ву коаліцій як одну з ознак інституційної спроможності сектору й організаційної спроможності конкретної організації. Актуальність даного дослідження полягає в тому, що натепер питання коаліційності серед неурядових організацій досліджене не повною мірою, а отже, складно не лише прогнозувати долю третього сектору, але й оцінити сучасний етап його розвитку. Метою даної статті є підбір інструментарію, який дозволить досліджувати питання розбудови коаліцій серед неурядових організацій та відстежувати періодично наявний у цій сфері прогрес. Теоретичну основу даного дослідження становить інституційний підхід, а також загальнонаукові методи дослідження. Емпіричною базою дослідження стали набори відкритих даних, інформаційно-телекомунікаційні системи (сховища даних), а також інформація, яка автоматично фіксується на порталі спільноти “DoZorro” за результатами роботи організацій над громадським моніторингом публічних закупівель. Результати даного дослідження стануть у пригоді не лише в академічному середовищі, але можуть бути використані як елемент практичного рішення в середовищі неурядових організацій для промоції коаліційного способу діяльності, що особливо актуально для новостворених організацій.

Будь-яка, навіть найефективніша, логічно обґрунтована і корисна інновація (чи то теорія геліоцентризму Коперника або «походження видів» Дарвіна), якщо вона суперечить існуючій на даний момент догмі, приречена на ірраціональний скепсис, тривале і навмисне замовчування, обумовлене специфікою суспільних процесів і включеність людської психіки в ці процеси.Томас Семюел Кун Існуюча система освіти перестала влаштовувати практично всі держави світу і піддається активному реформуванню в наші дні. Перспективним напрямом використання в навчальному процесі є нова інформаційна технологія, яка дістала назву хмарні обчислення (Cloud computing). Концепція хмарних обчислень стала результатом еволюційного розвитку інформаційних технологій за останні десятиліття.Без сумніву, результати досліджень російських вчених: А. П. Єршова, В. П. Зінченка, М. М. Моісєєва, В. М. Монахова, В. С. Лєдньова, М. П. Лапчика та ін.; українських вчених В. Ю. Бикова, В. М. Глушкова, М. І. Жалдака, В. С. Михалевича, Ю. І. Машбиця та ін.; учених Білорусії Ю. О. Бикадорова, А. Т. Кузнєцова, І. О. Новик, А. І. Павловського та ін.; учених інших країн суттєво вплинули на становлення та розвиток сучасних інформаційних технологій навчання [1], [2], але в організації освітнього процесу виникають нові парадигми, наприклад, хмарні обчислення. За оцінками аналітиків Гартнер груп (Gartner Group) хмарні обчислення вважаються найбільш перспективною стратегічною технологією майбутнього, прогнозується міграція більшої частини інформаційних технологій в хмари на протязі найближчих 5–7 років [17].Згідно з офіційним визначенням Національного інституту стандартів і технологій США (NIST), хмарні обчислення – це система надання користувачеві повсюдного і зручного мережевого доступу до загального пулу інформаційних ресурсів (мереж, серверів, систем зберігання даних, додатків і сервісів), які можуть бути швидко надані та гнучко налаштовані на його потреби з мінімальними управлінськими зусиллями і необхідністю взаємодії з провайдером послуг (сервіс-провайдером) [18].У США в університетах функціонують віртуальні обчислювальні лабораторії (VCL, virtual computing lab), які створюються в хмарах для обслуговування навчального та дослідницьких процесів. В Південній Кореї запущена програма заміни паперових підручників для середньої школи на електронні, які зберігаються в хмарі і доступні з будь-якого пристрою, який може бути під’єднаний до Інтернету. В Росії з 2008 року при Російській академії наук функціонує програма «Університетський кластер», в якій задіяно 70 університетів та дослідних інститутів [3], в якій передбачається використання хмарних технологій та створення web-орієнтованих лабораторій (хабів) в конкретних предметних галузях для надання принципово нових можливостей передавання різноманітних інформаційних матеріалів: лекцій, семінарів, лабораторних робіт і т. п. Є досвід певних російських вузів з використання цих технологій, зокрема в Московському економіко-статистичному інституті вся інфраструктура переводиться на хмарні технології, а в навчальних програмах включені дисципліни з навчання технологій.На сьогодні в Україні теж почалося створення національної освітньої інформаційної мережі на основі концепції хмарних обчислень в рамках національного проекту «Відкритий світ», який планується здійснити протягом 2010-2014 рр. Відповідно до наказу Міністерства освіти та науки України від 23.02.2010 р. №139 «Про дистанційне моніторингове дослідження рівня сформованості у випускників загальноосвітніх навчальних закладів навичок використання інформаційно-комунікаційних технологій у практичній діяльності» у 2010 році було вперше проведено дистанційне моніторингове дослідження з метою отримання об’єктивних відомостей про стан інформатичної освіти та розроблення стратегії її подальшого розвитку. Для цих цілей було обрано портал (приклад гібридної хмари), створений на основі платформи Microsoft Azure [4].Як показує зарубіжний досвід [8], [11], [12], [14], [15], вирішити названі проблеми можна шляхом впровадження в навчальний процес хмарних обчислень. У вищих навчальних закладах України розроблена «Програма інформатизації і комп’ютеризації навчального процесу» [1, 166]. Але, проаналізувавши стан впровадження у ВНЗ хмарних технологій, можна зробити однозначний висновок про недостатню висвітленість цього питання в літературних та Інтернет-джерелах [1], [7].Переважна більшість навчальних закладів лише починає впроваджувати хмарні технології в навчальний процес та включати відповідні дисципліни для їх вивчення. Аналіз педагогічних праць виявив недостатнє дослідження питання використання хмарних обчислень у навчальному процесі. Цілком очевидно, що інтеграція хмарних сервісів в освіту сьогодні є актуальним предметом для досліджень.Для навчальних закладів все більшого значення набуває інформаційне наповнення та функціональність систем управління віртуальним навчальним середовищем (VLE, virtual learning environment). Не існує чіткого визначення VLE-систем, та й в самих системах в міру їх заглиблення в Інтернет постійно удосконалюються наявні і з’являються нові інструменти (блоги, wiki-ресурси). VLE-системи критикують в основному за слабкі можливості генерації та зберігання створюваного користувачами контенту і низький рівень інтеграції з соціальними мережами.Існує кілька полярних підходів до способів надання освіти за допомогою сучасних інформаційно-комунікаційних технологій та інформаційних ресурсів. З одного боку – навчальні заклади з віртуальним навчальним середовищем VLE, а з іншого – персональне навчальне середовище, створене з Web 2.0 сайтів та кероване учнями. Але варто звернути увагу на нову модель, що може зруйнувати обидва наявні підходи. Сервіси «Google Apps для навчальних закладів» та «Microsoft Live@edu» включають в себе широкий набір інструментів, які можна налаштувати згідно потреб користувача. Описувані системи розміщуються в так званій «обчислювальній хмарі» або просто «хмарі».Хмара – це не просто новий модний термін, що застосовується для опису Інтернет-технологій віддаленого зберігання даних. Обчислювальна хмара – це мережа, що складається з численної кількості серверів, розподілених в дата-центрах усього світу, де зберігаються безліч копій. За допомогою такої масштабної розподіленої системи здійснюється швидке опрацювання пошукових запитів, а система є надзвичайно відмовостійка. Система побудована так, що після закінчення тривалого періоду при потребі можна провести заміну окремих серверів без зниження загальної продуктивності системи. Google, Microsoft, Amazon, IBM, HP і NEC та інші, мають високошвидкісні розподілені комп’ютерні мережі та забезпечують загальнодоступність інформаційних ресурсів.Хмара може означати як програмне забезпечення, так і інфраструктуру. Незалежно від того, є сервіс програмним чи апаратним, необхідно мати критерій, для допомоги визначення, чи є даний сервіс хмарним. Його можна сформулювати так: «Якщо для доступу до інформаційних матеріалів за допомогою даного сервісу можна зайти в будь-яку бібліотеку чи Інтернет-клуб, скористатися будь-яким комп’ютером, при цьому не ставлячи ніяких особливих вимог до операційної системи та браузера, тоді даний сервіс є хмарним».Виділимо три умови, за якими визначатимемо, чи є сервіс хмарним.Сервіс доступний через Web-браузер або за допомогою спеціального інтерфейсу прикладної програми для доступу до Web-сервісів;Для користування сервісом не потрібно жодних матеріальних затрат;В разі використання додаткового програмного забезпечення оплачується тільки той час, протягом якого використовувалось програмне забезпечення.Отже, хмара – це великий пул легко використовуваних і доступних віртуалізованих інформаційних ресурсів (обладнання, платформи розробки та/або сервіси). Ці ресурси можуть бути динамічно реконфігуровані для обслуговування мінливого навантаження (масштабованості), що дозволяє також оптимізувати використання ресурсів. Такий пул експлуатується на основі принципу «плати лише за те, чим користуєшся». При цьому гарантії надаються постачальником послуг і визначаються в кожному конкретному випадку угодами про рівень обслуговування.Існує три основних категорії сервісів хмарних обчислень [10]:1. Комп’ютерні ресурси на зразок Amazon Elastic Compute Cloud, використання яких надає організаціям можливість запускати власні Linux-сервери на віртуальних комп’ютерах і масштабувати навантаження гранично швидко.2. Створені розробниками програми для пропрієтарних архітектур. Прикладом таких засобів розробки є мова програмування Python для Google Apps Engine. Він безкоштовний для використання, однак існують обмеження за обсягом даних, що зберігаються.3. Сервіси хмарних обчислень – це різноманітні прикладні програмні засоби, розміщені в хмарі і доступні через Web-браузер. Зберігання в хмарі не тільки даних, але і програм, змінює обчислювальну парадигму в бік традиційної клієнт-серверної моделі, адже на стороні користувача зберігається мінімальна функціональність. Таким чином, оновлення програмного забезпечення, перевірка на віруси та інше обслуговування покладається на провайдера хмарного сервісу. А загальний доступ, управління версіями, спільне редагування стають набагато простішими, ніж у разі розміщення програм і даних на комп’ютерах користувачів. Це дозволяє розробникам постачати програмні засоби на зручних для них платформах, хоча необхідно переконатися, що програмні засоби придатні до використання при роботі з різними браузерами.З точки зору досконалості технології, програмне забезпечення в хмарах розвинуте значно краще, ніж апаратна складова.Особливу увагу звернемо на програмне забезпечення як послугу (SaaS, Software as a Servise), що позначає програмну складову у хмарі. Більшість систем SaaS є хмарними системами. Для користувачів системи SaaS не важливо, де встановлене програмне забезпечення, яка операційна система при цьому використовується та якою мовою воно описане. Головне – відсутня необхідність встановлювати додаткове програмне забезпечення.Наприклад, Gmail представляє собою програму електронної пошти, яка доступна через браузер. Її використання забезпечує ті ж функціональні можливості, що Outlook, Apple Mail, але для користування нею необхідно «thick client» («товстий клієнт»), або «rich client» («багатий клієнт»). В архітектурі «клієнт – сервер» це програми з розширеними функціональними характеристиками, незалежно від центрального сервера. При такому підході сервер використовується як сховище даних, а вся робота з опрацювання і подання даних переноситься на клієнтський комп’ютер.Системи SaaS наділені деякими визначальними характеристиками:– Доступність через Web-браузер. Програмне забезпечення типу SaaS не потребує встановлення жодних додаткових програм на комп’ютер користувача. Доступ до систем SaaS здійснюється через Web-браузер з використанням відкритих стандартів або універсальний плагін браузера. Хмарні обчислення та програмне забезпечення, яке є власністю певної компанії, не поєднуються між собою.– Доступність за вимогою. За наявності облікового запису можна отримувати доступ до програмного забезпечення в будь-який момент та з будь-якої географічної точки земної кулі.– Мінімальні вимоги до інфраструктури ІТ. Для конфігурування систем SaaS потрібен мінімальний рівень технічних знань (наприклад, для управління DNS в Google Apps), що не виходить за рамки, характерні для звичайного користувача. Висококваліфікований IT-адміністратор для цього не потрібний.Переваги хмарної інфраструктури. Наявність апаратних засобів у власності потребує їх обслуговування. Планування необхідної потужності та забезпечення ресурсами завжди актуальні. Хмарні обчислення спрощують вирішення двох проблем: необхідність оцінювання характеристик обладнання та відсутність коштів для придбання нового потужного обладнання. При використанні хмарної інфраструктури необхідні потужності додаються за лічені хвилини.Зазвичай на кожному сервері передбачено резерв, що забезпечує вирішення типових апаратних проблем. Наприклад, резервний жорсткий диск, призначений для заміни диска, що вийшов з ладу, в складі масиву RAID. Необхідно скористатися послугами для встановлення нового диску на сервер. Для цього потрібен час та висока кваліфікація спеціаліста, щоб роботу виконати швидко з метою уникнення повного виходу сервера з ладу. Якщо сервер остаточно вийшов з ладу, використовується якісна, актуальна резервна копія та досконалий план аварійного відновлення. Тільки тоді є можливість провести відновлення системи в короткий термін, причому завжди в ручному режимі.При використанні хмар немає потреби перейматись проблемами стосовно апаратних засобів, що використовуються. Користувач може і не дізнатися про те, що фізичний сервер вийшов з ладу. Якщо правильно дібрано інструментарій, можливе автоматично відновлення даних після надскладної аварійної ситуації. При використанні хмарної інфраструктури у такому випадку можна відмовитись від віртуального сервера і отримати інший. Немає потреби думати про утилізацію та перейматися про нанесену шкоду навколишньому середовищу.Хмарне сховище. Абстрагування від апаратних засобів в хмарі здійснюється не тільки завдяки заміні фізичних серверів віртуальними. Віртуалізації підлягають і системи фізичного зберігання даних.При використанні хмарного сховища можна переносити дані в хмару, не переймаючись, яким чином вони зберігаються та не турбуючись про їх резервне копіювання. Як тільки дані, переміщені в хмару, будуть потрібні, достатньо буде просто звернутись в хмару і отримати їх. Існує кілька підходів до хмарного сховища. Йдеться про поділ даних на невеликі порції та зберігання їх на багатьох серверах. Порції даних наділяються індивідуально обчисленими контрольними сумами, щоб дані можна було швидко відновити в критичних ситуаціях.Часто користувачі працюють з хмарним сховищем так, ніби мають справу з мережевим накопичувачем. Щодо принципу функціонування хмарне сховище принципово відрізняється від традиційних накопичувачів, оскільки у нього принципово інше призначення. Обмін даними при використанні хмарного сховища повільніший, воно більш структуроване, внаслідок чого його використання як оперативного сховища даних непрактичне. Зазначимо, що використання хмарного сховища недоцільне для транзакцій в хмарних прикладних програмах. Хмарне сховище сприймається, як аналог резервної копії на стрічковому носієві, хоча на відміну від системи резервного копіювання зі стрічковим приводом в хмарі не потрібні ні привід, ні стрічки.Grid Computing (англ. grid – решітка, грати) – узгоджене, відкрите та стандартизоване комп’ютерне середовище, що забезпечує гнучкий, безпечний, скоординований розподіл обчислювальних ресурсів і ресурсів збереження інформації, які є частиною даного середовища, в рамках однієї віртуальної організації [http://gridclub.ru/news/news_item.2010-08-31.0036731305]. Концепція Grid Computing представляє собою архітектуру множини прикладних програмних засобів – найпростіший метод переходу до хмарної архітектури. Програмні засоби, де використовуються grid-технології, є програмним забезпеченням, при функціонуванні якого інтенсивно використовуються ресурси процесора. В grid-програмах розподіляються операції опрацювання даних на невеликі набори елементарних операцій, що виконуються ізольовано.Використання хмарної інфраструктури суттєво спрощує та здешевлює створення grid-програм. Якщо потрібно опрацювати якісь дані, використовують сервер для опрацювання даних. Після завершення опрацювання даних сервер можна призупинити, або задати для опрацювання новий набір даних.На рисунку 1 подано схему функціонування grid-програми. На сервер, або кластер серверів, поступає набір даних, які потрібно опрацювати. На першому етапі дані передаються в чергу повідомлень (1). На інших вузлах аналізується чергою повідомлень (2) про нові набори даних. Коли набір даних з’являється в черзі повідомлень, він аналізується на першому комп’ютері, де його виявлено, а результати надсилаються назад в чергу повідомлень (3), звідки вони зчитуються сервером або кластером серверів (4). Обидва компоненти можуть функціонувати незалежно один від одного, а кожен з них може функціонувати навіть в тому випадку, якщо другий компонент не задіяний на жодному комп’ютері. Рис. 1. Архітектура grid-програм У такій ситуації використовуються хмарні обчислення, оскільки при цьому не потрібні власні сервери, а за відсутності даних для опрацювання не потрібні сервери взагалі. Таким чином можна масштабувати потужності, що використовуються. Інакше кажучи, щоб комп’ютер не використовувався «вхолосту», важливо опрацьовувати дані за мірою їх надходження. Сервери включаються, коли потік даних інтенсивний, а виключаються в міру ослаблення інтенсивності потоку. Grid-програми мають дещо обмежену область застосування (опрацювання великих об’ємів наукових і фінансових даних). В переважній частині таких програм використовуються транзакційні обчислення.Транзакційна система – це система, де один і більше вхідних наборів даних опрацьовуються одночасно в рамках однієї транзакції та в

Розробка параметра конфігурації порожнини була обґрунтована потребою квантифікації співвідношення показників полімеризаційної усадки та полімеризаційного стресу відповідно до особливостей геометрії відпрепарованого каріозного дефекту. Однак за даними різних досліджень, рівень розподілу полімеризаційного стресу вираженіше залежить від абсолютних розмірів досліджуваних зразків реставрацій, а не безпосередньо від показника С-фактора, що проте не було достатньою мірою доказово інтерпретовано з точки зору клінічної значимості отриманих результатів. Мета дослідження – проаналізувати вплив фактора конфігурації відпрепарованої порожнини на успішність функціонування прямих реставрацій у процесі розробки моделі прогностичної оцінки розподілу напруг на межі інтерфейсу композитного матеріалу та тканин зуба. Матеріали і методи. Для проведення пошуку використовували форму пошуку Google Scholar (http://scholar.google.com) із застосуванням її розширених функцій. У результаті застосування операторів «пошук за фразою» та «в заголовку» були сформовані наступні набори ключових слів «С-factor», «dental cavity configuration», «cavity geometry», «direct restoration», «composite restoration», які використовували у різних комбінаціях. Кожен отриманий результат пошуку за комбінацією ключових слів являв собою набір академічних робіт відповідної тематики, які в подальшому підлягали контент-аналізу. Результати досліджень та їх обговорення. Виходячи із наведених літературних даних, було підтверджено, що зменшення рівня усадкового стресу при зростанні кількісного показника С-фактора та зниження прогностичного показника успішності композитної реставрації при аналогічній тенденції. Показники С-фактору у діапазоні 0,3–2,3 не є гранично критичними з точки зору ризику формування мікропроміжку між композитом та стінкою зуба порівняно із показниками С-фактора, що наближаються до 3,0. Висновки. Подальша розробка складної моделі скінчених елементів із репрезентацією у її структурі елементів різної щільності (зокрема емалі, дентину, різних композитних та прокладочних матеріалів) та відповідною математичною аргументацією векторів полімеризаційної усадки та стресу, дозволить об’єктивізувати кумулятивний вплив показника С-фактора на успішність функціонування композитної реставрації, виходячи із полінаправленості напруг на межі бондингового інтерфейсу композитного матеріалу та тканин зуба.

Розглянуто задачу побудови інтегрального індикатору на основі агрегування набору часткових показників. В рамках концепції машинного навчання передбачається, що набір вихідних даних складається з набору статистичних даних вимірювань часткових показників та експертних оцінок відповідних значень інтегрального індикатору. Для оцінки параметрів лінійної моделі інтегрального індикатору використовується метод оптимального узгодження експертних і статистичних оцінок.

В магістерській роботі розроблено рекомендаціну систему пошуку житла та співмешканців в бюджетному сегменті. Така система дозволяє багатьом користувачам уникнути проблем, пов’язаних із дорогим сервісом служб, що падають подібні послуги, та на первинному етапі оцінити можливі ризики та переваги спільного проживання.

Гнида, А. С. Підвищення ефективності управління територіями Батуринської об'єднаної територіальної громади шляхом впровадження локальної інфраструктури геопросторових даних : випускна кваліфікаційна робота : 193 «Геодезія та землеустрій» / А. С. Гнида ; керівник роботи І. В. Корнієнко ; НУ "Чернігівська політехніка", кафедра геодезії, картографії та землеустрою. – Чернігів, 2021. – 119 с.
Випускна кваліфікаційна робота присвячена розробці локальної інфраструктури геопросторових даних території Батуринської об'єднаної територіальної громади із врахуванням теоретико-методичних основ створення даної ГІС. В кваліфікаційній роботі представлені вступ, теоретична, аналітична та практична частини, охорона праці, висновки, список використаних джерел та додатки. У першому розділі висвітлені теоретико-методичні основи створення та ведення локальної інфраструктури геопросторових даних. У другому розділі узагальнено статистичну та текстову інформацію щодо території Батуринської міської громади та на її основі створено профіль досліджуваної території. У третьому розділі описано особливості практичної реалізації локальної інфраструктури геопросторових даних Батуринської громади у розрізі базового, тематичного та проблемно-орієнтованого набору геопросторових даних. Зокрема, розроблено алгоритм картографічного відображення результатів SWOT-аналізу при реалізації веб-карти досліджуваної території. Четвертий розділ присвячений основним заходам щодо охорони праці та безпеки при створенні муніципального геопорталу.
The final qualifying work is devoted to the development of the local infrastructure of geospatial data of the Baturyn united territorial community, taking into account the theoretical and methodological foundations of this GIS. The qualification work presents the introduction, theoretical, analytical and practical parts, labor protection, conclusions, list of sources and appendices. The first section highlights the theoretical and methodological foundations of creating and maintaining a local infrastructure of geospatial data. The second section summarizes statistical and textual information about the territory of the Baturyn city community and on its basis creates a profile of the study area. The third section describes the features of the practical implementation of the local geospatial data infrastructure of the Baturyn community in terms of basic, thematic and problem-oriented set of geospatial data. In particular, an algorithm for mapping the results of SWOT-analysis in the implementation of the web map of the study area has been developed. The fourth section is devoted to the main measures of labor protection and safety in the creation of the municipal geoportal.

В роботі розглянуто підходи щодо перевірки запропонованих методів виявлення атак. Проаналізовано наявні набори даних, які використовуються для створення систем виявлення DDoS-атак. Також, проаналізовано декілька інструментів, що використовуються для реалізації чи моделювання DDoS-атак для збору даних.
The paper considers approaches to checking the proposed method of detecting attacks. The existing datasets that scientists use to create DDoS-attack detection systems are analyzed. Also, there are several tools used to implement or simulate DDoS-attacks for data collection

Валентій, В. С. Система кластеризації клієнтського набору даних для покращення якості обслуговування : магістерська робота : 121 Інженерія програмного забезпечення, ОНП / В. С. Валентій ; керівник роботи М. С. Дорош ; НУ "Чернігівська політехніка", кафедра інформаційних технологій та програмної інженерії. − Чернігів, 2021. − 78 с.
Дана дипломна робота присвячена розробці системи кластеризації клієнтського набору даних для оптимізації бізнесу. Розроблене програмне забезпечення дозволяє зробити моніторинг ефективності бізнесу, підвищити пропускну спроможність магазину та оптимізувати розташування товарів для збільшення продажів, виявити особливості клієнтів та їх потреби. У першому розділі проведено аналіз предметної області, описується існуючі методи та алгоритми аналізу даних, розглядаються вже існуючі аналоги і висуваються вимоги щодо розробленого програмного продукту. У другому розділі виконується обгрунтування вибору та поєднання алгоритмів обробки даних для нової системи. В рамках проектування системи побудовані діаграми використання, активності, послідовності та класів, які є основою для подальшої розробки У третьому розділі наведені результати розробки та та тестування запропонованої системи. У висновку підводяться підсумки і оцінюються результати роботи.

The generation of method implementation of random set of vector data is described in this article. Received test data set can be used to study the methods effectiveness of spatial data processing and analysis. When you are citing the document, use the following link http://essuir.sumdu.edu.ua/handle/123456789/28495

Основна мета цієї роботи - показати способи підготовки обсягу даних, побудова класифікаційної моделі на величезному наборі даних та оцінка отриманої моделі на тестових даних. Початкова проблема, яка була вирішена в цій роботі, була взята з Microsoft Malware Prediction Competition з сайту Kaggle. Ця проблема відповідає меті, оскільки навчальний набір даних містить різні типи функцій для попередньої обробки та 9 мільйонів рядків.

Об'єкт дослідження – сегментація ракових пухлин та класифікація пневмонії. Предмет дослідження – сегментація пневмонії та пухлин за допомогою конволюційних нейронних мереж з використанням набору даних MNIST. Мета роботи – знайти більш ефективний та оптимальний спосіб виявлення ракових пухлин та пневмонії за допомогою машинного навчання. Методи дослідження – аналіз технічної літератури в галузі машинного навчання на основі нейронних мереж, вивчення датасету MNIST, вивчення медичних джерел у галузі класифікації пневмонії та ракових пухлин. Було проведено теоретичний аналіз вибірки навчальних даних, архітектури нейронної мережі, методів класифікації та інших параметрів. Практичні дослідження являли собою аналіз зображень та класифікацію діагнозів з описом точності результатів кожного дослідження. Практичні дослідження проводились на тестовому наборі даних MNIST, запропонованому Національним інститутом стандартів та технологій США. У дослідженні використовувалося 60 000 навчальних зображень та 10 000 тестових зображень. На основі отриманих результатів були розроблені моделі, які здатні з достатньою точністю визначати наявність раку або пневмонії у пацієнта за зображеннями. Subject of study – pneumonia and tumour segmentation using convolutional neural networks with MNIST dataset. The aim of the work is to find a more efficient and optimal way to detect cancerous tumours and pneumonia using machine learning. Research methods – analysis of technical literature in the field of machine learning based on neural networks, study of MNIST dataset, study of medical sources in the field of classification of pneumonia and cancerous tumours. A theoretical analysis of training data sampling, neural network architecture, classification methods, and other parameters was performed. Practical research represented image analysis and classification of diagnoses with a description of the accuracy of the results of each study. Hands-on studies were conducted on the MNIST test data set proposed by the U.S. National Institute of Standards and Technology. The study used 60,000 training images and 10,000 test images. Based on the results, models have been developed that can detect the presence of cancer or pneumonia in a patient using images with sufficient accuracy.

Метою доповіді є пошук більш ефективного та оптимального способу виявлення пневмонії та сегментації пухлин з використанням згорткових нейронних мереж з використанням набору даних MNIST. В доповіді наводяться результати аналізу вибірки навчальних даних, архітектури нейронної мережі, методів класифікації та інших параметрів. Практичні дослідження являли собою аналіз зображень та класифікацію діагнозів з описом точності результатів кожного дослідження.

У статті запропоновано концептуально новий методологічний підхід до аналізу фінансових часових рядів, який автори застосовують разом з іншими для дослідження складності фінансових ринків. Суть цього підходу полягає в тому, що для побудови нових мір динамічної складності ринку часові ряди фінансових даних попередньо перетворюються в складні мережі на основі ідеї рекурентності точок фазової траєкторії системи. Далі для побудованої мережі розраховується широкий набір показників, що відображають різноманітні спектральні і топологічні характеристики мережі. Реалізація алгоритму ковзного вікна дозволяє прослідкувати графодинаміку складної системи. Якщо та чи інша з визначених мір складності проявляє характерну поведінку у часі, яка збігається з певними критичними змінами на фінансових ринках, її можна використати у якості індикатора-передвісника таких змін. Проведене експериментальне дослідження складних мереж, побудованих у рамках запропонованого методологічного підходу, підтвердило його адекватність і високу здатність до передбачення кризових явищ на фондових ринках.

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

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