Добірка наукової літератури з теми "Великий набір даних"

У статті розглядаються особливості застосування мобільних пристроїв для тестового контролю знань студентів інженерних спеціальностей. Відзначається, що за результатами занять з професійної та практичної підготовки студенти, майбутні інженери, зобов'язані знати конструкцію складних технічних пристроїв і навчитися ними користуватися. Як наслідок, особливістю цих занять є те, що в якості вихідних даних і результатів виконання навчальних завдань часто використовуються графічні зображення, в тому числі великого розміру. Вказується, що під час тестового контролю з використанням мобільних пристроїв передбачається постановка завдання, так, щоб результат його виконання можна було б віднести до однієї з типізованих форм і проконтролювати відповідними методами. Виходячи з цього проаналізовані відомі типові форми тестових завдань для комп'ютеризованого контролю. Встановлено, що в розпорядженні у викладачів ЗВО зараз є великий набір шаблонів для проектування тестів різних типів і призначення. Це дозволяє значно розширити можливості проектування тестових завдань, які відповідатимуть цілям контролю і змісту навчальних дисциплін. Зроблено припущення, що застосування типізованих форм тестових завдань для проведення контрольних заходів на мобільних пристроях стане успішнішим, якщо враховувати специфіку занять. Виходячи з особливостей інженерної освіти виявлені форми завдань, використання яких дозволяє проектувати тести для перевірки за допомогою мобільних пристроїв знань навчального матеріалу з великою кількістю графічних даних. За результатами аналізу дібрані і адаптовані для контролю на мобільних пристроях форми завдань на введення символів, класифікацію, множинний вибір, відповідність, послідовний вибір і впорядкування. Наголошено на необхідності проведення подальших досліджень щодо вдосконалення методики тестового контролю знань за допомогою мобільних пристроїв.

В роботі було проведено короткий аналіз функцій баз даних SQL та NoSQL, були приведені їх основні відмінності. На сьогоднішній день існують два найбільш поширених типу систем управління даними: реляційні бази даних та NoSQL. Існує величезне різноманіття моделей даних та API (Application Programming Interface) запитів для NoSQL. Зокрема для порівняння були обрані Apache Cassandra, DynamoDB, MongoDB. Модель даних та функціональність Apache Cassandra має схожість з іншими масштабованими сховищами. Оновлення та угруповання стовпців кешується в оперативній пам'яті, після чого скидаються на диск. Основною метою роботи було порівняння продуктивності реляційних SQL баз даних та NoSQL, на прикладі PostgreSQL, MySQL, Apach Cassandra, MongoDB, Amazon DynamoDB. Для тестування продуктивності було розроблено окремий програмний продукт. Основним предметом дослідження є продуктивність базових операцій цих систем. Результати про продуктивність кожної з них були отримані за допомогою розробленої системи тестування, адаптованої для потреб дослідження. Розроблена система тестування озволила тестувати швидкість виконання складних аналітичних операцій, робити додаткові налаштування, використовувати великий обсяг даних. Система була розширена для виконання тестування розширеного набору операцій над схемою даних, що містить зв'язки між таблицями. Ця система тестування містить набір готових навантажень, які покривають основні аспекти функціонування й підтримують створені користувачем навантаження. За допомогою системи тестування були отримано дані про продуктивність представлених систем управління базами даних для набору різних запитів. Для аналізу продуктивності вимірювався час відгуку систем на запит – час між початком запиту й одержанням відповіді. Порівнювалися два види показників – середній відгук по виконані операції й деталізований аналіз. Отримані дані були представлені у вигляді діаграм, і по ним був зроблений висновок про продуктивність баз даних SQL та NoSQL. Вибір баз даних повинен максимально ґрунтуватися на типі вирішуваних завдань й також повинен враховувати обсяги даних, час відгуку системи.

У статті представлений перший досвід викладання вибіркової дисципліни «Основи хімічної метрології» в умовах дистанційного навчання для студентів 2 курсу фармацевтичного факультету Тернoпільського нaціoнaльного медичного університету імені І. Я. Гoрбaчевськoгo (спеціальність 226 «Фармація, промислова фармація», денної форми навчання). Курс за вибором «Основи хімічної метрології» закладає основи всіх видів вимірювань у хімії, статистичної обробки результатів хімічного аналізу та визначення валідності результатів кількісного визначення хімічних сполук. Зазначена дисципліна є важливою складовою всебічного розвитку майбутнього фахівця фармацевтичної галузі. У важких для освітнього процесу реаліях, спричинених пандемією COVID-19, ТНМУ імені І. Я. Горбачевського створив належні умови для повноцінного дистанційного навчання студентів. Студенти мали змогу активно взаємодіяти з викладачем, працюючи в програмі Microsoft Teams у режимі живого спілкування та використовуючи матеріали СДО Moodle, одержувати змістовні, актуальні та ефективні знання. У статті відображено структуру вибіркової дисципліни «Основи хімічної метрології», особливості проведення лекцій, практичних занять та організації самостійної роботи студентів. Узагальнивши набутий досвід викладання в умовах карантину, автори виокремили позитивні та негативні сторони дистанційної форми навчання. Також висвітлено основні проблемні питання при вивченні зазначеної дисципліни та показані шляхи їх вирішення. Визначено теми, що потребують доопрацювання з метою полегшення розуміння їх студентами. Запропоновано, поряд із традиційним вивченням статистичної обробки результатів аналізу хімічного експерименту, в майбутньому застосовувати комп’ютерні програми математико-статистичної обробки даних, такі, як Microsoft Excel і Statistica, що мають великий набір статистичних функцій та засобів візуальної інтерпретації одержаних результатів.

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

Статтю присвячено питанням створення і застосування математичних методів роботи з «великими даними» з метою мінімізації задіяних часових і обчислювальних ресурсів для структури організації даних типу «m-арні кортежі на основі впорядкованих множин довільної потужності». Проведено огляд і виконано аналіз математичних методів, які використовуються при вирішенні завдань даного класу. Сформульовані деякі властивості структури організації даних типу «m-арні кортежі на основі впорядкованих множин довільної потужності», які є наслідком логічних правил формування даної структури. Виведено набір функціональних залежностей між m-арними кортежами на основі їх розташування в структурі, яка визначається парою індексів (j, m) при приватних початкових умовах. Наведено наочну ілюстрацію графа булеана. Обкреслено вершини графа, визначені за допомогою виведених аналітичних залежностей, як елементи булеана, які включають в себе один і той же загальний елемент при приватних початкових умовах. Розраховано порівняльну оцінку часу виконання описаного в статті методу роботи з "великими даними" та методів-аналогів. Отримано логічні висновки про вплив досліджуваних властивостей та методів роботи зі структурою типу «m-арні кортежі на основі впорядкованих множин довільної потужності» на мінімізацію задіяних обчислювальних ресурсів.

Розвиток сучасних систем авіоніки робить проектування таких систем неможливим без використання засобів автоматизації. У даний час область таких інструментів представлена запатентованими інструментами, розробленими такими великими виробниками літаків, як Boeing та Airbus, а також низкою відкритих або частково відкритих міжнародних проектів, що відрізняються за термінами дії, наявністю вихідного коду та документації. Eсі інструменти базуються на архітектурних моделях розробленої системи. У цій статті розглядаються мови, доступні для опису архітектурних моделей систем авіоніки, та показано, яка мова програмування є найбільш підходящою через її текстові позначення та вбудовані концепції, які добре підходять для представлення більшості елементів вбудованих систем. Потім у статті представлено набір інструментів для проектування сучасних систем авіоніки. Набір інструментів забезпечує як загальну платформу для проектування та аналізу архітектурних моделей, так і спеціалізоване рішення для певної галузі систем авіоніки. Він підтримує створення, редагування та маніпулювання моделями як у текстовому, так і в графічному форматах. Зауважімо, що саме архітектурні моделі, що описують компоненти системи і взаємозв'язок між ними, стають основою для формування нових технологій і інструментів для автоматизації проектування. Вони дозволяють описувати різні аспекти архітектури в єдиній формалізованої моделі, яку можна обробляти різними інструментами для перевірки внутрішньої узгодженості архітектури, відповідності різним вимогам системи, автоматизації проектних рішень, генерації даних і файлів конфігурації, вихідний код і т.д. Складність сучасних авіаційних систем і високі вимоги до їх надійності призводять до необхідності використання загальних ресурсів. Під час створення IMA-систем розробники стикаються з низкою завдань і проблем, з якими вони раніше не стикалися. Для вирішення цих проблем на допомогу приходять різні засоби автоматизації і комп’ютерна підтримка розробки. Розвиток цього напрямку в першу чергу пов’язано з використанням різних моделей, в тому числі архітектурних моделей програмно- апаратних комплексів.

В даній статті наведено результати досліджень визначення емоцій людини за допомогою нейронних мереж. Розробка моделі для аналізу зображень проводилась за допомогою TensorFlow, а тренування реалізовувалось з використанням Keras. Вхідні дані використано з архіву kaggle.com - FER2013. Для аналізу зображеннь використано бібліотеку OpenCV. Мова програмування – Python 3. Даний набір інструментів вважається найпопулярнішим і найзручнішим для побудови нейронних мереж, а також систем глибинного навчання. Нейронні мережі і машинне навчання - найпопулярніші технології на даний момент. Особливо великих результатів можна досягнути поєднуючи цю технологію з іншими відомими – наприклад, з технологією об’єктно-орієнтованого програмування. Це поєднання технологій має широкий спектр застосування в різних областях, починаючи від звичайних фотосвітлин викладених в соціальних мережах, і закінчуючи контролем поведінки громадян держави або навіть планети. Аналіз емоцій дає можливість продуктовим і рекламним компаніям значно збільшити об’єм продаж, що в свою чергу збільшить прибутки [12]. Бути геніальним співбесідником, маючи можливість маніпулювати людьми знаючи що вони думають, проводити стрес-тести співробітників та оцінювати їхню реакцію, визначати реакцію людини на рекламу, оголошення, промову збирати обробляти і робити висновки. Список сфер використання обмежений лише фантазією і очікуємим результатом, тому тема цієї наукової роботи є актуальною.

Описано розроблений авторами набір засобів та алгоритмів їх використання для синтезу дисперсійних характеристик мікрорівневих коміркових моделей пористих композиційних матеріалів за допомогою використання інженерної системи числового аналізу COMSOL Multiphysics. Структуру композитів описано комірковими моделями, що будуються у вигляді тривимірних матриць комірок-вокселів. За достатньо великої дискретизації такі моделі дають змогу досліджувати будь-які структурні неоднорідності компонентів композиту. Розроблено засоби та алгоритм синтезу мікрорівневих структурних моделей та їх експорту в промислові інженерні системи числового аналізу методом скінченних елементів. Підсистема експорту базується на форматі даних NASTRAN, що забезпечує високий рівень інтеграції з майже всіма сучасними системами інженерних розрахунків, зокрема, таких, як COMSOL Multiphysics. На підставі моделі системи COMSOL, для дослідження електромагнітних хвиль у частотній області, розроблено алгоритм синтезу дисперсійних співвідношень для елементарних об'ємів композитів із перпендикулярними сторонами, що містять періодичні структури з довільною симетрією. Частковим випадком таких об'ємів є мікрорівневі моделі пористих композитів. Такий підхід дає змогу єдиним чином досліджувати багато складних структур, що становить наукову новизну та практичну цінність. Отримані результати добре узгоджуються з контрольними прикладами.

Формулювання проблеми. Студенти вищих навчальних закладів повинні мати уявлення про комп'ютерні моделі, вільно орієнтуватися у сучасних програмних продуктах, зокрема системах комп’ютерної математики та вміти використовувати їх під час розв’язування фізичних задач. Застосування системи комп’ютерної математики Mathcad сприяє отриманню навичок аналізу та пошуку оптимальних рішень проблем, що виникають не тільки при вивченні навчальної дисципліни «Фізика», а й під час розв’язання професійних задач, підвищує зацікавленість студентів до вивчення фізики, покращує результати навчальних досягнень. Матеріали і методи. У процесі дослідження використовувались наступні методи: теоретичні (аналіз науково-методичної літератури для виявлення стану розробленості проблеми використання можливостей систем комп’ютерної математики під час вивчення навчальної дисципліни «Фізика»); емпіричні (спостереження, аналіз та систематизація). Для розв’язування задач розділу «Кінематика» запропоновано використовувати систему комп’ютерної математики Mathcad. Показано, як за допомогою інструментів Mathcad можна інтегрувати вирази, будувати графіки функції, розв’язувати систему рівнянь (блок Given-Find), здійснювати пошук максимального значення (блок Given-Maximize). Результати. В роботі досліджуються методичні аспекти застосування системи комп’ютерної математики Mathсad під час виконання практичних задач з навчальної дисципліни «Фізика». Розглянуто ряд задач розділу «Кінематика», зокрема задачі, в яких визначаються екстремальні значення шуканих величин (максимальна висота, максимальний кут нахилу). Для розв’язування задач запропоновано використовувати систему комп’ютерної математики Mathcad. Показано, що система Mathcad дозволяє ефективно реалізовувати такі важливі етапи розв’язання задачі пошуку екстремуму як побудова графіка, диференціювання, пошук екстремуму за допомогою спеціальних функцій в Mathcad. Застосування систем комп’ютерної математики у навчальному процесі при вивченні дисципліни «Фізика» студентами завдяки потужній графіці, засобам візуального програмування позитивно впливає на оволодіння навичками практичного використання професійних знань на основі законів фізики. Висновки. У сучасних реаліях в умовах запровадження інформаційних технологій в навчальний процес одним із актуальних шляхів підвищення ефективності вивчення навчальної дисципліни «Фізика» є використання систем комп’ютерної математики для числових розрахунків під час розв’язання задач, обробки експериментальних даних і вивчення фізичних явищ. Впровадження системи комп’ютерної математики Mathcad під час вивчення навчальної дисципліни «Фізика» показало його ефективність, адже широкий набір можливостей даного програмного пакету дає змогу ефективно розв’язувати задачі різного рівня складності, сприяє більш глибокому розумінню фізичних законів і явищ як під час аудиторних занять, так і при самостійному опрацюванні.

Дистанційна освіта (ДО) є одним із сучасних перспективних методів освіти. Для свого коректного проведення ДО вимагає наявності певного нормативно-правового, організаційного, програмно-технічного, а головне, навчально-методичного забезпечення. Останній пункт є найактуальнішим, адже чи не головною проблемою запровадження ДО є відсутність необхідної кількості електронного навчального забезпечення.Для створення великої сукупності електронних навчальних робіт мають використовуватися програмні засоби, основні вимоги до яких наступні:– легкість освоєння і використання;– можливість опанування ними людей, знайомих з комп’ютером на рівні середнього користувача (без знання мов програмування);– доступність на ринку.Серед усього навчального забезпечення ДО можна виділити наступні типові складові: електронні конспекти лекцій (теорія), електронні збірники вправ із рішеннями (практика), віртуальні лабораторні роботи, контрольні програми-тести (контроль). Розглянемо проблеми створення кожної із вказаних складових.Проблема створення електронних конспектів в цілому успішно вирішується за допомогою звичайних текстових редакторів, що дозволяють інкапсулювати в одному документі текстові та графічні дані, а також будь-які OLE-об’єкти (презентації, відео та аудіофрагменти, та ін.). Недоліком такого представлення лекційних матеріалів є їх пасивність, відсутність оберненого зв’язку від студента до лектора, монотонність роботи і т.д.Програми другого типу, збірники практичних вправ, традиційно оформлюються у вигляді окремих виконуваних програм і, звичайно розробляються різними програмістами. Це веде до різного представлення інформації навіть в рамках одного предмету, що розосереджує студента, заставляючи його розбиратися у особливостях кожної наступної програми. Крім того, тут наявна відокремленість від лекційного матеріалу, неможливість встановлення зв’язків між ними.Контрольні програмні засоби звичайно являють собою також окремі програми, побудовані за схожими до паперових тестів принципами. Тут також відсутній зв’язок із конспектом і практичними вправами. В цілому слід констатувати, що на даний момент навіть повний комплект засобів ДО являє собою розрізнений набір окремих продуктів, призначений для самостійного вивчення дисципліни, тому і якість його буде невисокою.Розглянемо, як же можна інтегрувати згадані складові в рамках одного рішення. Нехай необхідно створити програму, яка б дозволяла розробляти цілі цілісні заняття: спочатку трохи теоретичного матеріалу, потім приклад розв’язування практичного завдання і, нарешті, контроль. В одному занятті може бути кілька таких етапів, перемішаних в довільному порядку.Реалізація такого підходу до створення електронних учбових робіт не є достатньо складною, як здається на перший погляд. Справді, процес створення однієї учбової роботи пропонується виконати у вигляді повторюваного циклу введення послідовних елементів роботи: теорії, практики, контролю. На початку введення нового етапу слід задати його тип, а потім у показаному в залежності від типу вікні ввести зміст етапу.Створення елементу типу «теорія» треба передбачити у двох режимах: імпорт з існуючого документу (враховуємо уже наявну велику базу електронних конспектів), або набір з нуля. Недоліком тут є неможливість редагування формул, що зберігатимуться у вигляді простих картинок.Створення елементу типу «практика» передбачає введення картинок та тексту з поясненнями вирішення задач. Необхідно передбачити можливість вставляти посилання на теоретичні елементи даного заняття, щоби створити зв’язок між ними та забезпечити цілісне сприйняття матеріалу.Нарешті, створення тестових вправ передбачає вибір типу питання (вибір одного із варіантів, вибір кількох варіантів, розташування у правильній послідовності, введення текстової відповіді), введення тексту питання, супроводжуючих картинок, тексту підказки, посилання на відповідні елементи типу «теорія» та «практика».Для можливості прив’язування лабораторних робіт, слід передбачити запуск зовнішніх програм (кожна лабораторна робота має свою специфіку, потребує своєї логіки управління, математичного апарату, тому не може бути створено уніфікований візуальний редактор віртуальних лабораторних робіт, і вони мають писатися програмістами за допомогою мов програмування). Можна передбачити просту взаємодію між віртуальною лабораторною роботою та переглядачем створюваних курсів. Переглядач – це друга обов’язкова компонента комплексу, адже створивши заняття, викладач має зберегти його у власному (стисненому) форматі, для відображення якого і використовується переглядач.Отже, вказана структура і принцип роботи редактору занять надає можливість створювати цілісні учбові заняття і навіть курси з дисципліни. В рамках кредитно-модульної системи логічним є створення окремих електронних курсів, що відповідають одному модулю. За вказаною специфікацією в Інституті заочної та дистанційної освіти Національного університету кораблебудування розробляється власний програмний комплекс ConTest.

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.

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.