Магістерські роботи

Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/61744

Browse

Now showing 1 - 20 of 105

Alzheimer’s disease diagnosis using machine learning approach
(Національний університет «Львівська політехніка», 2022) Bajpai, Akshay; Національний університет «Львівська політехніка»
The master's qualification work was completed by Akshay Bajpai, a student of the KNSSh-21 group. Topic " Alzheimer’s Disease Diagnosis Using Machine Learning Approach". The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science". The aim of the thesis is to build multiple neural networks to diagnose Alzheimer’s disease in older adults at an early stage for using the constructed models in practice. The aim of this research is to assist medical professionals in the early diagnosis of Alzheimer’s disease before it has fully metastasised and medical practices become useless. In this research I have used a total of nine machine learning models which include standalone models as well as ensemble machine learning models to automate the process of diagnosis of this illness and compare the efficiency of each model. Each model uses the best parameters to make predictions which revealed that the employed classification model using random forest performed the best among all the other models. The best parameters for each model were automatically set by employing for loops and conditional statements.
Enhancing X-ray Diagnosis through AI: Lung Disease Detection
(Lviv Polytechnic National University, 2023) Khoroshchuk , Dariia; Lviv Polytechnic National University
Master’s degree work of the student of the group CSAI-22 Dariia Khoroshchuk. The topic is “Enhancing X-ray Diagnosis through AI: Lung Disease Detection”. The work aims to obtain a master’s degree in 122 “Computer Science”. The object of the research is the development and optimization of the pneumothorax detection system, considering the bias of the models towards the presence of chest tubes. The subject of the research involves methods for enhancing the processing of chest X-ray scans to achieve precise and rapid pneumothorax detection. The goal of the research is achieved by improving existing methods for detecting pneumothorax in X-ray scans without the presence of chest tubes. These cases are regarded as potentially positive and demand careful consideration by healthcare professionals. Additionally, the research encompasses methods to identify chest tubes on X-rays, allowing the categorization of such scans as pneumothorax negative. The presence of chest tubes on X-ray scans indicates that the patient has already received the necessary medical assistance. As a result of the master’s qualification work, a system was developed to determine the presence of a chest tube, followed by the identification of pneumothorax in cases where a tube is absent. The total volume of work: 72 pages, 34 figures, 39 references.
India’s stock market value prediction using deep neural networks
(Національний університет «Львівська політехніка», 2022) Singh, Deep Shankar Pratap; Національний університет «Львівська політехніка»
Master's qualification work was performed by a student of the group KNSSH-21f Deep Shankar Pratap Singh. Theme " India’s Stock Market Value Prediction Using Deep Neural Networks ". The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science". The research was done from February, 2022 till December, 2022. The purpose of the thesis is to build a deep neural network for predicting stock prices of the NIFTY50 index for the Indian stock market and to develop a strategy system to use the built network in investments by investors and researchers. As a result, two neural networks were developed, namely LSTM and GRU. This network architecture was chosen because both are good at capturing the patterns of time-series data, which in our case is stock market data. A total of twenty-four models were created and then compared for their performance. LSTM has been observed to have higher performance than GRU and both models are very good at predicting stock market data.
Mask wearing detection algorithm based on improved YOLOv3
(Національний університет ”Львівська політехніка”, 2022) Cui, Tianyuan; Національний університет ”Львівська політехніка”
The thesis is carried out by the student of group CSAI-21f Cui Tianyuan. The topic is «Mask wearing detection algorithm based on improved YOLOv3». The thesis is submitted to earn a master’s degree in a specialty 122 «Computer Science». This degree work starts from the idea of determining whether a face is wearing a mask or not, based on the YOLOv3 algorithm, with the intention of exploring a lightweight mask wearing detection algorithm with high detection accuracy and high speed. As a result of the thesis, an algorithm is designed that greatly reduces the network complexity while guaranteeing the detection accuracy, and the detection speed reaches 125 frames/second on the experimental platform, which occupies an absolute speed advantage compared with several excellent detection algorithms. At the same time, it has good robustness in the case of luminance scale change and occlusion, and has certain adaptability to real-time detection in complex environments.
Program synthesis for genome compression
(Lviv Polytechnic National University, 2023) Maletskyi, Denys; Lviv Polytechnic National University
In the era where genomic data is being generated at an unprecedented pace, the imperative to develop efficient methods for its compression cannot be overstated. This is particularly critical for large-scale genomic projects where the sheer volume of data presents substantial challenges in terms of storage and analysis. This thesis delves into the realm of genome data compression, addressing its significance and exploring innovative solutions to overcome the associated challenges. Central to this discourse is the introduction and exploration of program synthesis as a formidable tool for data compression. Program synthesis, in this context, is leveraged to create sophisticated programs capable of efficiently representing and reproducing genomic data. This technique emerges as a promising approach for genome compression, particularly due to its ability to process large datasets effectively while maintaining data integrity. Throughout this thesis, readers will gain a comprehensive understanding of program synthesis – its mechanics, applications, and how it can be specifically tailored for genome data compression. A significant focus is placed on elucidating how program synthesis can enhance the compression of genome sequences, offering not only a more efficient alternative to traditional methods but also ensuring faster processing times and reduced computational demands. Moreover, the insights and methodologies discussed extend beyond the confines of genomic data. The principles and techniques expounded upon in this thesis have broader applications and can be adapted for compressing various data types. This universality provides a fresh and expansive perspective to the ongoing conversation around data compression strategies, making the findings of this research relevant to a wider audience. In conclusion, this thesis presents a novel approach to genome data compression using program synthesis, specifically the equality saturation approach. The proposed method stands as a testament to the potential of cross-disciplinary 4 innovation in tackling the challenges posed by the ever-growing expanse of genomic data. As the field of genomics continues to evolve, so too must the strategies for managing its data, and this research contributes a pivotal piece to that evolving puzzle. The total volume of work: 61 pages, containing 5 figures and 17 references.
Автоматизована система аналізу боксованих документів
(Національний університет “Львівська політехніка”, 2023) Киричук , Дмитро Олексійович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-24 Киричуком Дмитром Олексійовичем. Тема “Автоматизована система аналізу боксованих документів”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єкт дослідження є універсальна система екстракції даних з боксованих персоніфікованих документів. Предметом дослідження є методи класифікації зображень при наявності одного взірця документу на кожен клас, сегментація боксованих регіонів інтересу зображення з метою екстракції, та оцінки точності сегментація. Досягнення мети відбувається за рахунок класифікації вхідного документу шляхом порівняння ознак з наявними шаблонами документів; бінарної сегментації зображення при переході в HSV колірну модель та накладання маски шляхом підлаштування порогового значення параметру насиченості. Точність сегментації оцінювалася шляхом накладання й порівняння масок, отриманих алгоритмом сегментації та розмічених людиною вручну, з використанням метрик precision, recall та F1 score. У результаті виконання дипломної роботи створено автоматизовану систему аналізу боксованих документів, яка дозволяє виділяти боксовані регіони інтересу на зображенні документу з метою подальшої обробки їх вмісту. Як приклад подальшої обробки, реалізовано розпізнавання текстових регіонів інтересу, присутніх на зображенні документу. Загальний обсяг роботи: 65 сторінок, 34 рисунки, 20 посилань. Master’s degree work of the student of the group CSAI-24 Kyrychuk Dmytro Oleksiiovych. The topic is “Automated system of boxed documents analysis”. The work is aimed at obtaining a master’s degree in 122 “Computer Science”. The problem of extracting information from structured personalized documents is an extraordinarily relevant task in automated processing and decision-making systems. In this paper, the focus was placed on documents where information is stored in separate boxes. The solution implemented in this work can be used for the development of an automatic system for obtaining and registering data when presenting a personalized document where information are located in boxes, or for a system providing access to locations or equipment. The goal of the work is to develop an automated system for analyzing a boxed document, which can be easily scaled to solve a similar task for any other relevant document. To achieve this goal, a number of tasks must be addressed, namely: to implement the ability to determine whether the provided document matches the template from the document database; to develop an algorithm for extracting boxed regions of interest from the document image; to evaluate the accuracy of the region of interest segmentation result; to ensure the modularity of the system and its ability to be modified to a specific document and task. The object of the research is a universal system for extracting data from boxed personalized documents. The subject of the research is the methods of image classification when there is one sample document for each class, the process of finding image regions of interest, and the evaluation of its accuracy.
Автоматизована система розв'язання головоломок пазлів на основі комп'ютерного зору
(Національний університет ”Львівська політехніка”, 2022) Криворучка, Ольга-Анна Олегівна; Національний університет ”Львівська політехніка”
Магістерська кваліфікаційна робота виконана студенткою групи КНСШ-22 Криворучкою Ольгою-Анною Олегівною. Тема “Автоматизована система розв'язання головоломок пазлів на основі комп'ютерного зору”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є розробка системи засобами комп’ютерного зору, яка дозволяла б сканувати та аналізувати елементи пазлу, а також складати зображення на основі отриманих даних. Об’єктом дослідження даної теми є процес опрацювання даних з зображення, виділення за певними характеристиками та пошук синергії між елементами. У результаті виконання дипломної роботи було розроблено систему для складання головоломок пазлів, система приймає зображення розкиданих елементів пазлу, як ввід і повертає картинку з правильним розташуванням фрагментів виводом у графічну програму. Дана система може використовуватися на практиці як для розваги у вигляді помічника під час розв’язання головоломок пазлів, так і для вирішення задач збирання з окремих елементів цілісного зображення у археології, реставрації, медицині тощо. The master's qualification work was completed by the student of the CSAI-22 group, Olha-Anna Olehivna Kryvoruchka. The topic of the work: "Automated system for solving jigsaw puzzles based on computer vision". This work is aimed at obtaining a master's degree in the specialty 8.05010104 "Artificial Intelligence Systems". The purpose of the master's qualification work is to develop a system by means of computer vision, which would allow us to scan and analyze the elements of the puzzle, as well as to compose images based on the data obtained. The object of study of this topic is the process of processing data from the image, selection by certain characteristics and the search for synergy between the elements. As a result of the qualification work, a system for solving jigsaw puzzles was developed, the system receives images of scattered puzzle elements as input and returns a picture with the correct location of the fragments by output to a graphics program. This system can be used in practice both for entertainment in the form of an assistant while solving jigsaw puzzles, and for solving problems of assembling a complete image from individual elements in archeology, restoration, medicine, etc.
Автоматизоване виділення розділів відео за допомогою ШІ
(Національний університет “Львівська політехніка”, 2023) Жахалов , Віктор Володимирович; Національний університет “Львівська політехніка”
Магістерська робота студента Жахалова Віктора групи CSAI-24. Тема "Автоматизоване розділення відео на розділи за допомогою штучного інтелекту". Робота є частиною програми комп'ютерних наук та направлена на отримання магістерського ступеню за спеціальністю 122 "Комп'ютерні науки". Об'єкт дослідження – процеси навігації та організації мультимедійного контенту на платформах. Предмет дослідження охоплює техніки та алгоритми обробки природної мови (NLP) та машинного навчання, що застосовуються для автоматизації сегментації відеоконтенту на основі текстових транскриптів. Метою роботи є розроблення інноваційної методології, яка автоматично сегментує відеоконтент на тематичні розділи, забезпечуючи полегшений доступ та контекстне розуміння мультимедійних ресурсів користувачами. Наукова новизна дослідження полягає у введенні передового алгоритму кластеризації без вчителя у поєднанні з методом ковзного вікна для обробки текстових транскриптів. Ця новаторська методологія також використовує виводи генеративних моделей для автоматизованого створення зрозумілих і інформативних назв для кожного ідентифікованого розділу, що розв'язує поточні обмеження у навігації мультимедійного контенту та покращує загальне залучення користувачів. Запропонована методологія використовує передові текстові ембедінги для векторизації сегментів транскриптів і застосовує спеціалізований підхід до кластеризації без попередньо визначеної кількості кластерів, що дозволяє системі адаптивно виділяти секції відео. Крім того, використовується генеративна модель узагальнення для формулювання точних і лаконічних підсумків, які служать як назви розділів, далі покращуючи навігацію мультимедійного контенту. В результаті дослідження було створено міцну та масштабовану систему для автоматизованої сегментації мультимедійного контенту. Ефективність цієї системи була підтверджена під час серії тестів на різних наборах відеоданих, що продемонструвала значне покращення у точності та ефективності сегментування порівняно з традиційними методами. Підсумовуючи, дане дослідження представляє новий підхід до організації мультимедійного контенту, що обіцяє стати цінним активом для навчальних платформ, розважальних індустрій та інших мультимедійних додатків з метою підвищення користувацького досвіду через інтелектуальну автоматизацію. Master’s degree work of the student Zhakhalov Viktor of the group CSAI-24. The topic is "Automated Video Chaptering Using AI". The work is part of the Computer Science program, aimed at obtaining a master's degree in specialty 122 "Computer Science". The surge of multimedia content has made it imperative to develop more precise and effective techniques for categorizing and navigating such material. Automatic video segmentation is one such method that retrieves video segments and allocates them titles autonomously. We are presenting a technique in this research that employs transcript analysis for the automatic segmentation of video content, aiding in better access and a broader comprehension of multimedia resources.
Аналіз відеопотоку щодо ідентифікації неврологічних відхилень у пацієнтів з вадами координації
(Національний університет “Львівська політехніка”, 2022) Матвіїв, Микола Андрійович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Матвіївим Миколою Андрійовичем. Тема “Аналіз відеопотоку щодо ідентифікації неврологічних відхилень у пацієнтів з вадами координації”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи являється розроблення програмного модулю для аналізу відеопотоку щодо ідентифікації неврологічних відхилень. Об’єктом дослідження є процес ідентифікації неврологічних відхилень за зображенням людини у відеопотоці. Як результат виконання кваліфікаційної роботи було розроблено програмне забезпечення, яке обраховує ключові точки людини аналізуючи відео потік за допомогою алгоритмів класифікації машинного навчання. Дане програмне забезпечення може використовуватися на практиці для фільтрування хибних звернень до неврологів із використанням телемедицини. Загальний обсяг роботи: 90 ст., 33 рис., 5 табл., 7 формул, 25 використаних джерел. Master’s degree work of the student of the group CSAI-22 Matviiv Mykola Andriiovych. The topic is "Video stream analysis for the identification of neurological abnormalities in patients with coordination disorders". The work is aimed at obtaining a master's degree in 122 "Computer Science". The purpose of this work is to create a software module for the analysis of the video stream for the identification of neurological abnormalities. The object of the research is the process of identifying key points of a person in a video stream. As a result of this qualification work, software was developed that calculates the key points of a person by analyzing the video stream using machine learning classification algorithms. This software can be used to filter false referrals to neurologists using telemedicine. Total volume of work: 90 pages, 33 figures, 5 tables, 7 formulas, 25 references.
Аналіз музики засобами машинного навчання
(Національний університет “Львівська політехніка”, 2023) Корнієнко , Валентин Валерійович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-24 Корнієнко Валентином Валерійовичем. Тема “Аналіз музики засобами машинного навчання”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Мета роботи полягає в дослідженні та розробці методів аналізу та класифікації музики за жанром та емоційністю за допомогою машинного навчання. Досягнення мети відбувається шляхом створення двух комбінованих моделей CNN-LSTM, для використання як просторових, так і часових характеристик звукових ознак. Апробацію роботи розроблених методів класифікації музики здійснено з використанням різних алгоритмів машинного навчання на основі згорткових нейронних мережей та довгої короткострокової пам’яті. Об’єктом дослідження є процеси класифікації музики методами машинного навчання. Предметом досліджень є методи та алгоритми машинного навчання, що використовуються для класифікації музики. У результаті виконання дипломної роботи створено архітектуру комбінованої CNN-LSTM моделі для класифікації музики за жанром та емоційним забарвленням; розроблено дві її програмних реалізації у вигляді моделей глибокого навчання, для класифікації музики за жанром та емоційним забарвленням. Проведено тестування розроблених моделей в результаті якого вони показали чудову точність передбачення у 93% для моделі класифікації за жанром, та 94% – класифікації за емоційним забарвленням. Загальний обсяг роботи: 73 сторіни, 41 рисунок, 27 посиланнь. The master's thesis was written by Valentyn Kornienko, a student of the group KNSCH-24. The topic is " Music analysis using machine learning". The work is aimed at obtaining a master's degree in specialty 122 "Computer Science". The aim of the work is to research and develop methods for analyzing and classifying music by genre and emotionality using machine learning. The goal is achieved by creating two combined CNN-LSTM models to use both spatial and temporal characteristics of sound features. The developed music classification methods were tested using various machine learning algorithms based on convolutional neural networks and long short-term memory. The object of research is the processes of music classification using machine learning methods. The subject of research is machine learning methods and algorithms used for music classification. As a result of the thesis, the architecture of a combined CNN-LSTM model for classifying music by genre and emotional color was created; two of its software implementations in the form of deep learning models for classifying music by genre and emotionality were developed. The developed models were tested and showed an excellent prediction accuracy of 93% for the genre classification model and 94% for the emotional coloration classification model. Total amount of work: 73 pages, 41 figures, 27 references.
Ансамбль однорідних методів машинного навчання з усередненням результату
(Національний університет “Львівська політехніка”, 2023) Ільчишин, Богдан Андрійович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Ільчишином Богданом Андрійовичом. Тема “Ансамбль однорідних методів машинного навчання з усередненням результату”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою роботи є підвищення точності прогнозування у випадку аналізу коротких вибірок даних за рахунок ансамблевого усереднення результатів роботи однорідних методів машинного навчання Об’єктом дослідження є процеси композиції ансамблевих методів машинного навчання. Предметом досліджень є методи декореляції наборів даних. У результаті виконання дипломної роботи реалізовано новий метод апроксимації табличних наборів даних за рахунок ансамблевого усереднення результатів роботи нейронної мережі без навчання та використання алгоритму декореляції набору даних, що забезпечило підвищення точності апроксимації на 15% в порівнянні із базовою нейронною мережею узагальненої регресії покладеною в основі роботи ансамблю. Загальний обсяг роботи: 67 сторінок, 12 рисунки, 32 посилання. Master’s degree work of the student of the group CSAI-2” Ilchyshyn Bohdan Andriyovich. The topic is "Ensemble averaging of homogeneous machine learning algorithms". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of research is to increase the accuracy of prediction in the case of analyzing short data samples through the ensemble averaging of results from homogeneous machine learning methods. The object of research is the processes of composition of ensemble machine learning methods. The subject of the study is the methods of data set decorrelation. As a result of the bachelor's qualification work, a new method of approximation of tabular data sets was implemented through the ensemble averaging of the results of an untrained neural network and the use of a data set decorrelation algorithm, which increased the approximation accuracy by 15% compared to the base neural network of generalized regression underlying the ensemble's work. The total volume of work: 67 pages, 12 figures, 32 references.
Виділення об'єктів інтересу на зображеннях дистанційного зондування засобами згорткових нейронних мереж
(Національний університет ”Львівська політехніка”, 2022) Гецянин, Дмитро Русланович; Національний університет ”Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Гецянином Дмитром Руслановичем. Тема "Виділення об'єктів інтересу на зображеннях дистанційного зондування засобами згорткових нейронних мереж". Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є розроблення програмного продукту, нейронної мережі, що виділяє об’єкти на зображеннях ДЗЗ. Об’єктом дослідження є процес виділення об’єктів із зображення за допомогою методів машинного навчання. У результаті виконання дипломної роботи було розроблено вдосконалену згорткову нейронну мережу за допомогою оптимізації гіперпараметрів генетичним алгоритмом, система приймає зображення ДЗЗ, як ввід і повертає зображення з обведеним об'єктом та назвою його класу. Дана мережа може використовуватися на практиці в спостереженні за автомобільним трафіком в містах, використання у військових та урядових структурах та ін. Master’s degree work of the student of the group CSAI-21 Hetsianyn Dmytro Ruslanovych. The topic is "Object Detection in Remote Sensing Images using CNN." The work is aimed at obtaining a master's degree in 122 "Computer Science." The aim of the diploma work is to develop a software product, a neural network, which detects objects from remote sensing images. The object of research is the process of extracting objects from an image using machine learning methods. As a result of the diploma work, an improved convolutional neural network was developed using the optimization of hyperparameters by a genetic algorithm, the system accepts a remote sensing image as input and returns the image with object in bounded box and the name of its class. This network can be used to monitor car traffic in cities, use in military and government structures, etc.
Визначення психоемоційного стану людини на основі мультимодальних даних
(Національний університет “Львівська політехніка”, 2023) Жеребецький , Олег Вячеславович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Жеребецьким Олегом Вячеславовичем. Тема “Визначення психоемоційного стану людини на основі мультимодальних даних”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є методології використання міміки обличчя доповідача, тону розповіді та змісту озвучених речень для аналізу психоемоційного стану та настрою. Предметом дослідження є методи попередньої обробки даних модальностей звуку, тексту та аудіо, а також, структури нейронних мереж різного типу, які використовуються у тематиці дипломної роботи. Практичним значенням проведених досліджень є отримання результатів у масштабніших дослідженнях та формування повноцінного продукту для визначення психоемоційного стану та настрою доповідача. Можливе розширення рішення до процесів виявлення розладів та рекомендації практик їх лікування. Досягнення мети відбувається за рахунок кількох покращень. По-перше, використання достатньо великого набору даних, який зібраний спеціально для таких досліджень та співпадає з реальними умовами використання. По-друге, використання якісної обробки трьох модальностей, що будуть використовуватися. По-третє, навчання на складній генеративній нейронній мережі. Перевірка роботи здійснена на ряді записів емоцій людей усіма запропонованими способами, а саме веб-камери, запису та трансляції екрану. У результаті виконання дипломної роботи створено систему з двох частин. Перша це сайт який зчитує зображення, звук та текст користувача обраним методом. Друга це сервер з нетренованими нейронними мережами та функціями попередньої обробки даних трьох модальностей, що передбачають емоцію та настрій людини в кадрі та повертають результат користувачу на клієнт. Окрім цього були отримані результати точності тренування та передбачення нейронної мережі для обраного набору даних та було порівняно цей результат з моделями, що були розглянуті у попередній ітерації даної роботи. Результати сформовані та представлені у вигляді таблиць з поясненням отриманих результатів. В якості апробації, на основі проведених наукових досліджень було подано наукову статтю по темі магістерської роботи у журнал «Scientific Reports» (стаття перебуває на фінальному етапі рецензування). Загальний обсяг роботи: 92 сторінок, 58 рисунків, 43 посилання. Master’s degree work of the student of the group CSAI-22 Zherebetskyi Oleh Viacheslavovich. The topic is "Determining the psycho-emotional state of a person on the basis of multimodal data". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of the study is the methodology of using the facial expressions of the speaker, the tone of the story and the content of the voiced sentences to analyze the psycho-emotional state and mood. The subject of the research is the methods of pre-processing data of sound, text and audio modalities, as well as the structure of neural networks of various types, which are used in the subject of the thesis. The practical significance of the conducted research is obtaining results in larger-scale research and forming a full-fledged product for determining the psycho emotional state and mood of the speaker. It is possible to extend the solution to the processes of identifying disorders and recommending practices for their treatment. Achieving the goal comes at the expense of several improvements. First, the use of a sufficiently large data set, which is collected specifically for such studies and corresponds to real conditions of use. Second, the use of qualitative processing of the three modalities to be used. Third, training on a complex generative neural network. Validation of the work is carried out on a number of recordings of people's emotions using all 3 proposed methods, namely webcam, recording and screencasting. A two-part system was created as a result of the thesis. The first is a site that reads the user's image, sound and text using the chosen method. The second is a server with untrained neural networks and three-modality data preprocessing functions that predict the emotion and mood of the person in the frame and return the result to the user on the client. In addition, the results of neural network training and prediction accuracy for the selected data set were obtained and this result was compared with the models that were considered in the previous iteration of this work. The results are generated and presented in the form of tables with an explanation of the obtained results. As a test, based on the conducted scientific research, a scientific article on the topic of the master's thesis was submitted to the journal "Scientific Reports" (the article is in the final stage of review). The total volume of work: 92 pages, 58 figures, 43 references.
Визначення стану кота за голосовим сигналом
(Національний університет “Львівська політехніка”, 2022) Михайлів, Андрій Петрович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Михайлівом Андрієм Петровичем. Тема “ Визначення стану кота за голосовим сигналом ”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є побудова алгоритму машинного навчання для визначення стану кота за звуками, що він видає. Зрозуміти, що він хоче та бажає згідно цих звуків. Об’єктом дослідження є короткі звукові записи котів у різних ситуаціях. У результаті виконання дипломної роботи було розроблено алгоритм та інформаційну систему для розпізнавання стану кота за його голосовим сигналом, система приймає звук, як ввід і повертає розпізнане значення у емулятор мобільного телефону власника тварини. Дана система може використовуватися як комерційний продукт для покращення комунікації тварина-хазяїн, навчання поведінки із твариною, визначення її місцезнаходження та для збирання ветеринарних даних. Отримані дані дозволили створити специфікацію вимог, модель з’єднань у мікроконтролері STM, сервер із тонким клієнтом на основі .Net Entity Framework на мові C#, а також для порівняння застосувати технологію ML.NET для звукової класифікації. Також було створено прототип мобільного застосунку, що демонструє через принцип тонкого клієнта «термінал» дані про стан кота його власнику незалежно від відстані між ними. Overview of the master’s qualification work First of all, this work is designed with the purpose of detecting the state of a cat based on its voice. This is connected with the fact that cats are one of the most beloved pets all around the world. It is also proved, that they have their own phonetics, so this fact just increased the curiosity of scientists to investigate their behaviour. In general, they are spread worldwide from USA and Brazil to Korea and Japan. Ukraine is also one of ten countries with the largest population of domestic cats. Such popularity has led to a large number of laws related to keeping them. First and foremost, one of those laws declares the rules for using necessary accessories, at least a collar. Also, ensuring the health and safety of animals is very expensive: cleaning the territory from dangers, vaccination, or other visits to the veterinarian, etc. In addition to these, the animal can break many things in the room or suffer from other cats or incorrect human behaviour, which is more often caused by misunderstanding what the cat wants. For example, the pet can feel uncomfortable being close to another cat or a child, who does not understand properly how to behave with this animal. It was decided to solve these problems via the realization of a software system, based on the Internet of things in the form of a «clever» collar with a microphone and mobile application that will obtain the condition of the animal. Such a decision dominates other protective approaches and understanding of the animal. The collar will be able to determine the state of the cat even when the owner is not nearby. Moreover, potentially it will be also able to determine the location of the pet, and as well has the potential of extending the functionality, like determining biometrical data of animal: pressure, temperature, etc.
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.
Використання нейронних мереж для прогнозування фінансових ринків
(Національний університет “Львівська політехніка”, 2023) Чайковський , Ігор Ігорович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ 23 Чайковським Ігорем Ігоровичем. Тема “Використання нейронних мереж для прогнозування фінансових ринків”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою даної роботи є аналіз алгоритмів з використанням нейронних мереж для передбачення фінансового ринку, визначення найкращих з них та запропонувати покращений варіант. Об’єктом дослідження є аналіз фінансових ринків. Предметом дослідження є аналіз фінансових ринків з використанням нейронних мереж. У результаті дослідження, за допомогою нейронних мереж, було спроектовано та створено систему для передбачення цін акцій на ринку. Окрім стандартного алгоритму передбачення який використовує дані про акції, було запропоновано модифікований алгоритм з використанням аналізу сентименту текстових даних на додачу до початкових даних для покращення результату передбачення. Загальний обсяг роботи: 52 сторінки, 24 рисунки, 17 посилань. Financial markets are complex and dynamic systems where various factors such as economic events, geopolitics, market sentiment and more influence asset prices. Predicting the movement of prices in financial markets is important for investors, brokers, funds and other market participants as it can aid in making informed decisions to mitigate risks and increase profits. One approach to predicting financial markets is to use neural networks – this is a class of machine learning algorithms that can analyze large volumes of data, detect intricate dependencies between them and make predictions based on these dependencies. The use of neural networks in financial analysis can help uncover various trends, patterns and relationships in the markets, allowing for more grounded forecasts to be made.
Виявлення аномалій у даних датчиків інтернету речей за допомогою методів неконтрольованого навчання
(Національний університет “Львівська політехніка”, 2023) Гордон , Андрій Андрійович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Гордоном Андрієм Андрійовичом. Тема “Виявлення аномалій у даних датчиків інтернету речей за допомогою методів неконтрольованого навчання”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процес виявлення аномалій в даних датчиків інтернет речей. Предметом досліджень є методи та алгоритми неконтрольованого навчання для виявлення аномалій в даних датчиків інтернет речей. Досягнення мети відбувається за рахунок вивчення шаблонів нормальних даних за допомогою методів неконтрольованого машинного навчання, оскільки більшість наборів даних містять нормальні дані, в загальному задача виявлення аномалій зводиться до аналізу даних без аномалій, та застосування принципу включення-виключення. Розглянуто методи кластеризації, а саме K-Means, DBSCAN і Mean-Shift та глибокі нейронні мережі автокодувальники. У результаті виконання кваліфікаційної роботи проведено аналіз обраних методів з двома наборами даних, досліджено проблеми виявлення загроз в мережі пристроїв IoT та виявлення виходу з ладу датчиків та пристроїв IoT за допомогою виявлення аномалій в даних. Підібрано оптимальні гіперпараметри для роботи системи, проведено порівняння результатів роботи обраних методів. Загальний обсяг роботи: 50 сторінок, 36 рисунки, 26 посилання. Master’s degree work of the student of the group CSAI-21 Hordon Andrii Andrii. The topic is "Unsupervised anomaly detection in IoT sensors data". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of the study is the process of detecting anomalies in the sensor data of the Internet of Things. The subject of research is the methods and algorithms of unsupervised learning for detecting anomalies in the sensor data of the Internet of Things. The master's thesis is devoted to the comprehensive study of the detection of anomalies in data using unsupervised learning.
Відновлення зображень за допомогою генеративних нейронних мереж
(Національний університет “Львівська політехніка”, 2023) Бердник , Данило Ігорович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-23 Бердником Данилом Ігоровичем. Тема “Відновлення зображень за допомогою генеративних нейронних мереж”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процес відновлення зображень за допомогою генеративних нейронних мереж. Предметом досліджень є архітектури та методи реконструкції зображень за допомогою генеративних нейронних мереж для пошкоджених зображень. Досягнення мети відбувається шляхом побудови системи для відновлення пропусків у зображеннях, головна складова якої це генеративна нейронна мережа, також проводиться подальша модифікація системи шляхом додавання додаткової мережі для функції втрат і подальша оптимізація головної мережі. Апробацію такої системи було проведено на двох реальних наборах даних: перший - зображення облич людей, другий - зображення відбитків пальців. У результаті виконання дипломної роботи створено систему для реконструкції зображень. Було отримано модифікації системи шляхом зміни функції втрат та оптимізації частини генератора у генеративній мережі контекстного кодувальника. Отримані модифікації та оригінальну систему було використано на наборах даних та проаналізовано результати. Загальний обсяг роботи: 68 сторінок, 19 рисунки, 27 посилань. The master's qualification work was performed by a student of the group KNSCH-23 Danylo Ihorovych Berdnyk. The topic is "Image restoration using generative neural networks". The work is aimed at obtaining a master's degree in specialty 122 "Computer Science". In today's world, the demand for high-quality images is growing in most areas, and with it, the need for image reconstruction methods is also growing. Image reconstruction is a very important aspect of many modern technologies that are used in such fields as medicine, biology, archeology, and many others. Typically, neural networks such as autoencoders are used for image reconstruction tasks, however, in recent years, generative neural networks have shown high potential in creating high-quality images and have become a promising alternative to traditional autoencoders for image reconstruction tasks. The topic of the research is "Image Reconstruction Using Generative Neural Networks", namely the application of such networks for images with missing areas. One of the main research objectives of this work is to investigate architectures and methods for image reconstruction using generative neural networks. To achieve this, a generative network architecture will be selected and applied to the problem of filling in gaps in images. The aim of this work is to develop an architecture and methods of image reconstruction using a generative neural network for the task of filling gaps in images. The object of research is the process of image restoration using generative neural networks. The subject of research is the architectures and methods of image reconstruction using generative neural networks for damaged images.
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.
Дослідження впливу рівня дрейфу розподілу даних на агентів навчання з підкріпленням
(Національний університет “Львівська політехніка”, 2023) Петров , Дмитро Денисович; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Петровим Дмитром Денисовичем. Тема “Дослідження впливу рівня дрейфу розподілу даних на агентів навчання з підкріпленням”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси впливу дрейфу даних на агентів навчання з підкріпленням. Предметом досліджень є методи виявлення та оцінки дрейфу даних. Досягнення мети відбувається шляхом використання агента навчання з підкріпленням на даних з різним рівнем дрейфу даних та оцінці якості дій цієї нейронної мережі. Подальший опрацювання результатів відбувається із порівнянням найпопулярніших методів оцінки дрейфу та якістю агента на наборах даних з проведенням кореляційного аналізу та моделей прогнозування. Апробацію роботи впливу дрейфу даних на агентів навчання з підкріпленням здійснено з використанням різних алгоритмів виявлення дрейфу даних на основі реального агента покращення якості стільникового зв’язку та реального набору даних із обладнання стільникових сот. У результаті виконання дипломної роботи створено досліджено вплив дрейфу даних на агентів навчання з підкріпленням, оцінено рівень зміни якості дій агента, виявлено оптимальний підхід до виявлення дрейфу, розроблено програмну реалізацію оцінки різного рівня дрейфу; проведено порівняльний аналіз найпопулярніших методів оцінки дрейфу та якості агента. Загальний обсяг роботи: 86 сторінок, 45 рисунки, 19 посилання. Master’s degree work of the student of the group CSAI-22 Petrov Dmytro. The topic is " Investigation of the Impact of Data Distribution Drift on Reinforcement Learning Agents.". The work is aimed at obtaining a master's degree in 122 "Computer Science". To determine the objectives of the current study, an analytical review of scientific sources was conducted according to the standardized PRISMA methodology, which contains general recommendations for reviewing the scientific and basic features of meta-analysis. To search for scientific sources, two scientometric databases were chosen: Scopus and Google Scholar. Search queries were made using the following keywords: data drift, concept drift, distribution shift, reinforcement learning, and deep reinforcement learning.