Електронний архів
Національного університету "Львівська політехніка"
Архів зберігає опубліковані наукові матеріали переважно працівників Університету. Також доступна можливість "самоархівування"
Communities in DSpace
Select a community to browse its collections.
- Розміщені раніше опубліковані наукові праці зареєстрованих користувачів
- Фонд містить електронні матеріали, що були опубліковані працівниками Львівської політехніки
- Кваліфікаційна робота бакалавра або магістра є невід’ємною частиною атестації випускника вищого навчального закладу. Тут представлені повнотекстові версії робіт
- У фонді містяться документи, що були передані установами-партнерами
Recent Submissions
Використання глибоких нейронних мереж для створення послідовностей електронної музики
(Національний університет “Львівська політехніка”, 2023) Білецький , Максим Олександрович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-23 Білецьким Максимом Олександровичем. Тема: «Використання глибоких нейронних мереж для створення послідовностей електронної музики». Робота направлена на здобуття ступеня магістра за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є дослідити можливості глибоких нейронних мереж (DNN) у створенні електронних музичних послідовностей, акцентуючи увагу на створенні унікальних, емоційно резонуючих та художньо привабливих звукових композицій. Загальний обсяг роботи: 68 сторінок, 3 таблиці, 19 рисунків та 36 літературних джерел. Master’s qualification work was performed by a student of the group CSAI-23 Biletskyi Maksym Oleksandrovych. Topic: "Using deep neural networks to create sequences of electronic music." The work is aimed at obtaining a master’s degree in 122 "Computer Science". The purpose of this thesis is to explore the possibilities of deep neural networks (DNNs) in creating electronic music sequences, focusing on the creation of unique, emotionally resonant, and artistically appealing sound compositions. This research focuses on the creation of electronic music sequences using deep neural networks. It delves into various methodologies and learning techniques in the field of music production, and examines the obstacles and limitations associated with these methods. In addition, the study will evaluate the artistic possibilities of music created with the help of artificial intelligence and explore the extent to which DNNs can improve the creative process and contribute to the emergence of new ways of expression in electronic music. IIn this research, I was able to test the prospects of creating music using deep neural networks. I built a neural network architecture and tested the result on various parameters. All data for training the network was collected by me personally and pre-processed. I was able to collect 800 songs from various sites with free music samples using web scraping. Total volume of work: 68 pages, 3 tables, 19 figures and 36 references.
Порівняльний аналіз методів аугментації даних для різних модальностей
(Національний університет “Львівська політехніка”, 2023) Бохонко , Андрій Віталійович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-12 Бохонко Андрієм Віталійовичем. Тема “Порівняльний аналіз методів аугментації даних для різних модальностей”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси прогнозування у випадку коротких наборів табличних даних. Предметом досліджень є методи аугментації даних для різних модальностей. Досягнення мети відбувається перш за все з дослідження існуючого інструментарію машинного навчання та методів аугментації даних для різних модальностей. Подальша розробка програмного забезпечення для реалізації різних методів аугментації даних та моделей машинного навчання для різних модальностей. Апробацію роботи здійснено за допомогою аналізу ефективності різних методів аугментації даних для різних модальностей з використанням метрик якості та статистичних методів. У результаті виконання дипломної роботи проведено аналіз впливу різноманітних методів аугментації даних на ефективність роботи класифікаторів на різних модальностях. Загальний обсяг роботи: 92 сторінки, 49 рисунків, 25 посилань. Master’s degree work of the student of the group CSAI-22 Bokhonko Andrii Vitaliyovych. The topic is "Comparative analysis of data augmentation methods for different modalities". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of research is forecasting processes in the case of short sets of tabular data. The subject of research is data augmentation methods for various modalities. Achieving the goal occurs primarily from the study of existing machine learning tools and data augmentation methods for various modalities. Further software development to implement various data augmentation methods and machine learning models for various modalities. Approbation of the work was carried out by analyzing the effectiveness of various methods of data augmentation for various modalities using quality metrics and statistical methods. As a result of the diploma work, an analysis of the influence of various methods of data augmentation on the effectiveness of classifiers in various modalities was carried out. The total volume of work: 92 pages, 49 figures, 25 references.
Розроблення моделі глибокого навчання для класифікації зображень і виявлення об’єктів на медичних зображеннях
(Національний університет “Львівська політехніка”, 2023) Воробель , Адріан Олександрович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ- 23 Вороблем Адріаном Олександровичем. Тема “Розроблення моделі глибокого навчання для класифікації зображень і виявлення об’єктів на медичних зображеннях”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об'єктом дослідження є дослідження є процес класифікації зображень та виявлення об’єктів на медичних зображеннях. Предметом дослідження є розробка рішення з використанням нейромережевої архітектури та методів глибокого навчання для досягнення найвищої точності та швидкості виявлення об’єктів на медичних зображеннях. Досягнення мети відбувається за рахунок використання моделі YOLOv8 та її тренування. Апробацію роботи моделі здійснено на основі медичних наборів даних у відкритому доступі, що містять рентгенівські знімки, для розв’язання задачі виявлення переломів та їх класифікації. У результаті виконання дипломної роботи розроблено дві моделі глибокого навчання, одна з яких дозволяє виявляти переломи на рентгенівських знімках та класифікувати їх на декілька класів, а інша — лише виявляти. Загальний обсяг роботи: 56 сторінок, 40 рисунків, 21 посилання. The master's qualification work was completed by the student of the CSAI- 23 group Vorobel Adrian Oleksandrovych. Topic is "Development of a deep learning model for image classification and object detection in medical images". The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science". The object of research is the process of image classification and object detection on medical images. The subject of the research is the development of a solution using neural network architecture and deep learning methods to achieve the highest accuracy and speed of object detection in medical images. The goal is achieved by using the YOLOv8 model and its training. The approbation of the model's work was carried out on the basis of medical data sets in open access, containing X-ray images, to solve the problem of fracture detection and their classification. As a result of the thesis, two deep learning models were developed, one of which allows you to identify fractures on X-ray images and classify them into several classes, and the other only detects them. Total volume of work: 56 pages, 40 figures, 21 references.
Дослідження ефективності методів класифікації та резюмування новин для полегшення орієнтації в інформаційному просторі
(Національний університет “Львівська політехніка”, 2023) Гірник , Юрій Володимирович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-23 Гірником Юрієм Володимировичем. Тема “Дослідження ефективності методів класифікації та резюмування новин для полегшення орієнтації в інформаційному просторі”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процес споживання новин, його особливості і способи покращення. Предметом дослідження є методи класифікації та резюмування новин на основі текстових даних. Мета магістерської кваліфікаційної роботи полягає в дослідженні та можливості покращення ефективності методів класифікації та резюмування новин. Досягнення мети досягається шляхом дослідження сучасних методів вирішення завдань обробки природньої мови, особливостей їхньої архітектури та підходів. Також внаслідок проведення серії дослідів над розширеним набором даних проведено аналіз отриманих результатів. У результаті виконання дипломної роботи було отримано опис методів класифікації та резюмування текстів, побудовано набір даних, а також проведена серія дослідів над ним і обраними методами. Отримані результати були проаналізовані та порівняні, що дає змогу обрати метод для прикладного застосування в сфері новин в подальшому. Загальний обсяг роботи: 69 сторінок, 16 рисунків, 39 посилань. Master paper executed by the student of group CSAI-23 Hirnyk Yurii Volodymyrovych. The topic is "Investigation of the effectiveness of methods of classification and summarization of news to facilitate orientation in the information space". The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science". The object of the research is the process of news consumption, its features and methods of improvement. The subject of the research is methods of classification and summarization of news based on textual data. The purpose of the master's thesis is to investigate and improve the effectiveness of news classification and summarization methods. The goal is achieved by researching modern methods of solving natural language processing tasks, features of their architecture and approaches. Also, as a result of conducting a series of experiments on an expanded data set, an analysis of the obtained results was carried out.
Гібридна модель ансамблю методів машинного навчання для виявлення неправдивих новин
(Національний університет “Львівська політехніка”, 2023) Дипко , Олександра Романівна; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студенткою КНСШ-21 Дипко Олександрою Романівною. Тема «Гібридна модель ансамблю методів машинного навчання для виявлення неправдивих новин». Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є виявлення неправдивих новин за допомогою методів машинного навчання. Предметом досліджень є гібридна модель, яка включає різні методи машинного навчання та є результатом поєднання різних алгоритмів для виявлення неправдивих новин. Мета магістерської кваліфікаційної роботи полягає у створені ансамблевої моделі методів машинного навчання, що зможе класифікувати правдиві та неправдиві новини. Досягнення мети відбувається за рахунок створення ансамблевої моделі методів машинного навчання, що зможе класифікувати правдиві та неправдиві новини. Подальше опрацювання набору даних відбувається із використанням відомих методів машинного навчання. Апробацію роботи гібридної системи здійснено з використанням різних алгоритмів машинного навчання на основі реального текстового набору даних для розв’язання задачі класифікації. У результаті виконання дипломної роботи створено гібридну модель ансамблю методів машинного навчання; розроблено її програмну реалізацію, яка дозволяє досліджувати роботу різних методів машинного навчання, підбирати гіперпараметри для оптимальної роботи системи. Загальний обсяг роботи: 75 сторінок, 21 рисунок, 24 посилання. Master’s degree work of the student of the group CSAI-21 Dypko Oleksandra Romanivna. The topic is "A hybrid model of an ensemble of machine learning methods for detecting false news". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of the research is the detection of false news using machine learning methods. The subject of research is a hybrid model, which includes various machine learning methods and is the result of a combination of different algorithms for detecting false news. The goal of the Master's thesis is to create an ensemble model of machine learning methods that can classify true and false news. The goal is achieved through the creation of an ensemble model of machine learning methods that can classify true and false news. Further processing of the data set takes place using known methods of machine learning. The operation of the hybrid system was tested using various machine learning algorithms based on a real text data set to solve the classification problem. As a result of the thesis, a hybrid model of the ensemble of machine learning methods was created; its software implementation has been developed, which allows to investigate the operation of various machine learning methods, to select hyperparameters for optimal system operation. The total amount of work: 75 pages, 21 figures, 24 references.