Добірка наукової літератури з теми "Класифікація даних"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Класифікація даних".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Класифікація даних"
Prokopiv, M. M., S. K. Yevtushenko та O. Ye Fartushna. "Класифікація мостових інфарктів". INTERNATIONAL NEUROLOGICAL JOURNAL 18, № 1 (12 березня 2022): 30–34. http://dx.doi.org/10.22141/2224-0713.18.1.2022.926.
Повний текст джерелаМАШТАЛІР, Вадим, та Надія РИЖЕВА. "ДОСЛІДЖЕННЯ МЕРЕЖІ ТА КЛАСИФІКАЦІЯ ВІЙСЬКОВО-ІСТОРИЧНИХ МУЗЕЇВ В УКРАЇНІ". Східноєвропейський історичний вісник, № 19 (30 червня 2021): 217–27. http://dx.doi.org/10.24919/2519-058x.19.233834.
Повний текст джерелаКоцар, О. В. "Класифікація даних обліку електричної енергії". Вимірювальна техніка та метрологія 79, вип. 2 (2018): 42–52.
Знайти повний текст джерелаGorokhovatskyi, V., A. Zaporozhchenko, Т. Siryk та O. Tarasenko. "ДОСЛІДЖЕННЯ РЕЗУЛЬТАТИВНОСТІ ЗАСТОСУВАННЯ ОЗНАК РОЗПОДІЛІВ ДАНИХ ДЛЯ ОБЧИСЛЕННЯ РЕЛЕВАНТНОСТІ ОПИСІВ ЗОБРАЖЕНЬ". Системи управління, навігації та зв’язку. Збірник наукових праць 1, № 59 (26 лютого 2020): 68–73. http://dx.doi.org/10.26906/sunz.2020.1.068.
Повний текст джерелаКостенко, Олексій. "УПРАВЛІННЯ ІДЕНТИФІКАЦІЙНИМИ ДАНИМИ: ПРАВОВЕ РЕГУЛЮВАННЯ ТА КЛАСИФІКАЦІЯ". Молодий вчений, № 3 (91) (31 березня 2021): 90–94. http://dx.doi.org/10.32839/2304-5809/2021-3-91-21.
Повний текст джерелаКондратишин, А. Р., А. А. Курій, Д. Б. Коваль та Я. І. Юрик. "КЛАСИФІКАЦІЇ КАРДІОМІОПАТІЙ: СУЧАСНИЙ СТАН ПИТАННЯ". Здобутки клінічної і експериментальної медицини, № 4 (25 березня 2022): 12–20. http://dx.doi.org/10.11603/1811-2471.2021.v.i4.12795.
Повний текст джерелаМартинюк, Роман. "Класифікація форми правління: проблема вибору критеріїв". Право України, № 12/2018 (2018): 207. http://dx.doi.org/10.33498/louu-2018-12-207.
Повний текст джерелаКритська, Я. О., та Т. О. Білобородова. "Дослідження методів обробки та аналізу геопросторових зображень для віддаленого моніторингу поверхневих вод". ВІСНИК СХІДНОУКРАЇНСЬКОГО НАЦІОНАЛЬНОГО УНІВЕРСИТЕТУ імені Володимира Даля, № 1(271) (8 лютого 2022): 11–17. http://dx.doi.org/10.33216/1998-7927-2022-271-1-11-17.
Повний текст джерелаМельник, О. В., та П. В. Манько. "Класифікація лісовкритих територій за мультиспектральними даними". Сучасні технології та методи розрахунків у будівництві, № 12 (14 грудня 2019): 112–22. http://dx.doi.org/10.36910/6775-2410-6208-2019-2(12)-14.
Повний текст джерелаKotsar, Oleh. "CLASSIFICATION OF ELECTRICITY ACCOUNT DATA." Measuring Equipment and Metrology 79, no. 2 (June 29, 2018): 42–52. http://dx.doi.org/10.23939/istcmtm2018.02.042.
Повний текст джерелаДисертації з теми "Класифікація даних"
Кириченко, І. О. "Інтелектуальна технологія детектування стану трубопроводів з аугментацією даних в режимі екзамену". Master's thesis, Сумський державний університет, 2021. https://essuir.sumdu.edu.ua/handle/123456789/86859.
Повний текст джерелаМельник, Каріна Володимирівна. "Особливості обробки даних для медичної експертної системи". Thesis, Національний технічний університет "Харківський політехнічний інститут", 2010. http://repository.kpi.kharkov.ua/handle/KhPI-Press/44685.
Повний текст джерелаКрамар, Іван Ігорович. "Кластеризація даних, що збираються з відібраних джерел науково-технічної інформації". Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2020. https://ela.kpi.ua/handle/123456789/36639.
Повний текст джерелаThe aim of the work is to use the clustering of scientific and technical data not only for the visual representation of objects, but also for the recognition of new ones. The purpose of document clustering is to automatically detect groups of semantically similar documents among a given fixed set. Groups are formed only on the basis of pairwise similarity of document descriptions, and no characteristics of these groups are set in advance. Methods for deleting uninformative words are considered: deletion of stop words, stemming, N-diagrams, case reduction. The following methods were used to highlight keywords and classify the results: dictionary, statistical and based on the Y-interpretation of Bradford's law, TF-IDF measure, F-measure and the method of licorice patterns. Python programming language was chosen to implement the system of cluster analysis of scientific and technical data, a high-level, the implementation of the interpreter 2.7. This program code is easier to read, its reuse and maintenance is much easier than using program code in other languages.
Целью работы является применение кластеризации научно-технических данных не только для наглядного представления объектов, но и для распознавания новых. Целью кластеризации документов является автоматическое выявление групп семантически похожих документов среди заданной фиксированной множества. Группы формируются только на основе попарно сходства описаний документов, и никакие характеристики этих групп не задаются заранее. Для удаления неинформативных слов рассмотрены методы: удаление стоп-слов, стемминг, N-диаграммы, приведение регистра. Для выделения ключевых слов и классификации результатов использованы следующие методы: словарный, статистический и построен на основе Y-интерпретации закона Брэдфорда, TF-IDF мера, F-мера и способ лакричным шаблонов. Для реализации системы кластерного анализа научно-технических данных избран высокоуровневый язык программирования Python, реализация интерпретатора 2.7. Данный программный код читается легче, его многократное использование и обслуживание выполняется гораздо проще, чем использование программного кода на других языках.
Федоров, Д. П. "Comparison of classifiers based on the decision tree." Thesis, ХНУРЕ, 2021. https://openarchive.nure.ua/handle/document/16430.
Повний текст джерелаКалайчев, Г. В. "Machine learning in classification tasks." Thesis, ХНУРЕ, 2021. https://openarchive.nure.ua/handle/document/16433.
Повний текст джерелаМоскаленко, Д. М. "Підсистема збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз". Thesis, Чернігів, 2021. http://ir.stu.cn.ua/123456789/22463.
Повний текст джерелаМетою даної кваліфікаційної роботи є розробка підсистеми збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз. Об'єктом дослідження є методи та моделі обробки природної мови за допомогою нейронних мереж. Предметом дослідження є методи та моделі збору та визначення особливостей розподілу даних соціальних мереж у системі виявлення кіберзагроз. В роботі проведено аналіз загроз в соціальних мережах спричинених небезпечними повідомленнями, а також аналіз задачі визначення емоційного тону текстових даних у соціальних мережах. Побудована архітектура та визначені методи та моделі обробки природньої мови та автоматизованої класифікації. В результаті чого була розроблена підсистема збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз. Методи дослідження. В основі досліджень лежить архітектура системи збору даних з соціальної мережі Twitter яка використовує методи машинного навчання та штучного інтелекту для обробки та визначення розподільчих рис даних повідомлень користовачів [47]. Реалізація програмного забезпечення виконувалась з використанням мови програмування Python за підтримки бібліотеки програмного забезпечення з відкритим кодом для машинного навчання TensorFlow та Keras. Результати представлені у вигляді таблиць та ілюстрацій, що демонструють правильність вибору методів збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз на прикладі класифікації повідомлень. Результати роботи можуть бути використані для подальшої розробки системи пошуку наприклад загроз від онлайн хижаків, користувачів які попагандують ідеї тероризму чи екстремізму у соціальних мережах або перекваліфікації для пошуку повідомлень іншого характеру.
Позняк, Дар'я Ігорівна. "Система прогнозування інсульту на основі медичних даних пацієнтів". Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/45228.
Повний текст джерелаThesis: 94 p., 24 fig., 10 tabl., 2 appendices, 21 sources. Subject of research: stroke prediction algorithms based on statistical and structural models. Object of study: a set of patients` medical data from the Kaggle web platform. The purpose of the study: to analyze existing models of prognosis, to develop their own system for predicting stroke on the example of medical data of patients. Models used: gradient boosting model was used in the software implementation. The urgency of the work is due to trends in globalization and digitalization, which in turn lead to changes in the lifestyle of modern man, which necessitates the development of new methods for diagnosing diseases, as well as requires non-trivial solutions for storage and processing of medical data. Results obtained: A stroke prediction system has been developed that can classify the risk of stroke in a patient with acceptable accuracy. As part of the further research, it is proposed to increase the accuracy of the obtained models, taking into account more characteristics of the health status of patients that may be associated with the stroke disease.
Панчук, Владислав Анатолійович. "Вплив короткострокової аренди на стан індустрії на базі аналітичного підходу". Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9425.
Повний текст джерелаАбдураімов, Таір Заірович. "Алгоритм глибинного аналізу даних для задачі класифікації на основі штучного бджолиного рою". Master's thesis, КПІ ім. Ігоря Сікорського, 2020. https://ela.kpi.ua/handle/123456789/38328.
Повний текст джерелаActuality of theme. As the size of digital information grows exponentially, large amounts of raw data need to be extracted. To date, there are several methods to customize and process data according to our needs. The most common method is to use Data Mining. Data Mining is used to extract implicit, valid and potentially useful knowledge from large amounts of raw data. The knowledge gained must be accurate, readable and easy to understand. In addition, the data mining process is also called the knowledge discovery process, which has been used in most new interdisciplinary fields, such as databases, artificial intelligence statistics, visualization, parallel computing, and other fields. One of the new and extremely powerful algorithms used in Data Mining is evolutionary algorithms and swarm-based approaches, such as the ant algorithm and particle swarm optimization. In this paper, it is proposed to use a fairly new idea of the swarm of bee swarm algorithm for data mining for a widespread classification problem. Purpose: to develop an algorithm for data mining for the classification problem based on the swarm of bee swarms, which exceeds other common classifiers in terms of accuracy of results and consistency. The object of research is the process of data mining for the classification problem. The subject of the study is the use of a swarm of bee swarms for data mining. Research methods. Methods of parametric research of heuristic algorithms, and also methods of the comparative analysis for algorithms of data mining are used. The scientific novelty of the work is as follows: 1. As a result of the analysis of existing solutions for the classification problem, it is decided to use such metaheuristics as the swarm of bee swarm. 2. The implementation of the bee algorithm for data mining is proposed. The practical value of the results obtained in this work is that the developed algorithm can be used as a classifier for data mining. In addition, the proposed adaptation of the bee algorithm can be considered as a useful and accurate solution to such an important problem as the problem of data classification. Approbation of work. The main provisions and results of the work were presented and discussed at the scientific conference of undergraduates and graduate students "Applied Mathematics and Computing" PMK-2019 (Kyiv, 2019), as well as at the scientific conference of undergraduates and graduate students "Applied Mathematics and Computing" PMK-2020 (Kyiv, 2020). Structure and scope of work. The master's dissertation consists of an introduction, four chapters, conclusions and appendices. The introduction provides a general description of the work, assesses the current state of the problem, substantiates the relevance of research, formulates the purpose and objectives of research, shows the scientific novelty of the results and the practical value of the work, provides information on testing and implementation. The first section discusses the data mining algorithms used for the classification problem. The possibility of using heuristic algorithms, namely the bee swarm algorithm for this problem, is substantiated. The second section discusses in detail the algorithm of the bee swarm and the principles of its operation, also describes the proposed method of its application for data mining, namely for the classification problem. The third section describes the developed algorithm and the software application in which it is implemented. In the fourth section the estimation of efficiency of the offered algorithm, on the basis of testing of algorithm, and also the comparative analysis between the developed algorithm and already different is resulted. The conclusions present the results of the master's dissertation. The work is performed on 89 sheets, contains a link to the list of used literature sources with 18 titles. The paper presents 38 figures and 2 appendices.
Кунцев, С. В. "Застосування системи data mining бібліотеки Xelopes для розв'язання задач класифікаці". Thesis, ІНЖЕК, 2012. http://essuir.sumdu.edu.ua/handle/123456789/63969.
Повний текст джерелаTo build a model based on the method of classification used software system Data Mining Library Xelopes. Solved two problems of classification. Completed application model for the new data. It is shown that the system is easy, it can be used to teach students techniques Data Mining, as well as for solving classification problems arising in the economy.
Звіти організацій з теми "Класифікація даних"
Загородько, П. Можливості квантового програмування для реалізації задач машинного навчання. Криворізький державний педагогічний університет, 2020. http://dx.doi.org/10.31812/123456789/5380.
Повний текст джерелаЛозовська, Катерина Олександрівна. Стереотипізація жіночих образів (на матеріалі епізодичної відеогри Life is strange). МДУ, 2021. http://dx.doi.org/10.31812/123456789/4391.
Повний текст джерела