Магістерські роботи
Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/61744
Browse
105 results
Search Results
Item 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.Item 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.Item Стекінгове об'єднання однорідних методів машинного навчання із використанням випадкового шуму: задача класифікації(Національний університет ”Львівська політехніка”, 2022) Труш, Богдан Володимирович; Національний університет ”Львівська політехніка”Магістерська кваліфікаційна робота виконана студентом КНСШ-22 Трушем Богданом Володимировичем. Тема: “Стекінгове об'єднання однорідних методів машинного навчання із використанням випадкового шуму: задача класифікації”. Роботу виконано для здобуття ступеня магістр за спеціальністю “Системи штучного інтелекту”. Метою дипломної роботи є удосконалення композиції стекінгового об’єднання однорідних методів машинного навчання шляхом декореляції набору даних на основі випадкового шуму для підвищення точності розв’язання задачі класифікації. Поставлена мета досягається шляхом формування унікальних наборів даних для кожного члену стекінгу шляхом додавання випадкових симетричних відхилень до даних вибірки, при якому очікується покращення результатів роботи стекінгових ансамблів методів машинного навчання при розв’язуванні задачі класифікації. Об’єктом дослідження є процеси композиції стекінгових методів машинного навчання у випадку розв’язання задачі класифікації. Предметом досліджень є методи декореляції наборів даних для формування стекінгового об’єднання з однорідних методів машинного навчання. Результатом магістерської кваліфікаційної роботи є реалізація стекінгового ансамблю для підвищення точності розв’язання задачі класифікації на основі композиції однорідних методів машинного навчання та декореляції набору даних для кожного з них із використанням випадкового шуму. Загальний обсяг роботи: 69c. In today's world, it makes sense to use machine learning tools to help make decisions in various areas. Machine learning allows you to predict the outcome of an event based on a selection of data from past outcomes. Based on this prediction, the user can make a decision in his activity. These opportunities can be especially useful in the field of medicine. In medicine, as usual, machine learning methods are very often used, which are closely related to the work of the natma image and the predicted determination of the patient's disease based on the analysis of X-ray images. In addition, you can often find machine learning models that work with given blood characteristics. This can allow you to make a certain blood test based on the given data about these cells and substances that are contained in the blood. It can also help classify blood and predict whether to potentially treat a patient. Based on blood input, the neural network is trained to recognize diseases such as diabetes or leukemia. This can help identify the threat to the patient in the early stages and start treatment as soon as possible, which in its case can significantly increase the patient's chances of recovery. One of the problems that often arise in medical practice is classification. Classification is a machine learning task, the goal of which is to teach a machine to distinguish objects and divide them according to predefined classes. Usually, the input parameters for a classification problem are a certain number of objects with a defined class. Together they form a sample. Other objects are also given, where I did not understand their belonging to one or another class in advance. The task of classification is to analyze objects whose class is unknown and to create an algorithm in order to package objects into classes that fit them according to their characteristics. The task of classification is to determine to which class the object selected for classification belongs. The very concept of object classification is understood as a certain class identifier that is assigned to a given object as a result of the machine learning algorithm.Item Підвищення ефективності нейронних мереж за допомогою синтетичних даних(Національний університет ”Львівська політехніка”, 2022) Бєлан, Владислав Юрійович; Національний університет ”Львівська політехніка”Здобувачем магістерського кваліфікаційного ступеню є Бєлан Владислав Юрійович, студент групи КНСШ-21. Темою магістерської кваліфікаційної роботи є «Підвищення ефективності нейронних мереж за допомогою синтетичних даних». Робота написана на 73 сторінки, включає 8 таблиць, 35 рисунків, 1 додаток та 39 джерел. Метою кваліфікаційної роботи є підвищити точність та якість технології розпізнавання об’єктів, що використовується в програмно-апаратному продукті, що був розроблений в межах бакалаврської кваліфікаційної роботи [1]; знайти способи й приклади покращення показників нейронних мереж; застосувати зміни, що підвищили показники метрик оцінювання роботи нейронних мереж в програмно-апаратному продукті. Об’єктом дослідження магістерської кваліфікаційної роботи є нейромережеві технології пошуку об’єктів уваги на зображенні. Предметом дослідження виступає створення продукту для генерації синтетичного набору даних для задачі класифікації об'єктів на зображенні. The applicant for the master's degree is Vladyslav Yuriiovych Bielan, a student of the group KNSH-21. The topic of the master's qualification work is "Improving the perfomance of neural networks using synthetic data". The work is written on 73 pages, includes 8 tables, 35 figures, 1 appendix and 39 sources. The purpose of the qualification work is to improve the accuracy and quality of the object recognition technology used in the software and hardware product that was developed as part of the bachelor's qualification work [1]; to find ways of improving the performance of neural networks; to apply changes that have improved the metrics for evaluating the performance of neural networks in the software and hardware product. The object of study of the master's qualification work is neural network technologies for finding objects of attention in the image. While the subject of research is the creation of a product for generating a synthetic data set for the task of classifying objects in the image.Item Розроблення автоматизованої системи розпізнавання працівника на основі його біометричних даних(Національний університет ”Львівська політехніка”, 2022) Карпінський, Роман Мирославович; Національний університет ”Львівська політехніка”Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Карпінським Романом Мирославовичем. Тема “Розроблення автоматизованої системи розпізнавання працівника на основі його біометричних даних ”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Магістерська кваліфікаційна робота присвячена розробленню програми по розпізнавання лиця працівника. У першому розділі було розглянуто як різним фірмам необхідно покращувати автоматизацію своєї роботи, в нашому випадку це стеження за роботою працівників, покращення якості роботи працівників і зменшення затраченого часу на цю роботу. Також ми розглянули як саме працює цей алгоритм розпізнавання лиця, розглянули інші методи розпізнавання лиця і оцінили їх ефективність роботи. У другому розділі описано, які програмні продукти ми вибрали для реалізації дипломного проекту, які мови програмування були застосовані, такі як: Python, HTML ,CSS, JS. (мови програмування, мова розміток сторінки). База даних яка підходила краще під цей проект, було вибрано: Firebase (сервіс для зберігання даних користувача ), а також Visual Studio code (середовище розробки). Реалізація програми через веб сайт, розглянули нейроні мережі і яким саме методом вона буде створюватись в проекті. У третьому розділі описано графічну реалізацію веб сайту програми, розроблення нейронної мережі, створення проекту бази даних і заповнення її необхідною інформацією. На закінчені тест самої програми, як вона працює в різних розширеннях. Master’s degree work of the student of the group CSAI-22 Karpinski Roman Vyronovych. The topic is " Development of an automated employee recognition system based on his biometric data". The work is aimed at obtaining a master's degree in 122 "Computer Science". The thesis is dedicated to the development of a program for recognizing the face of the employee for the website. In the first section it was considered how different firms need to improve the automation of their work, in our case it is monitoring the work of employees, improving the quality of employees and reducing the time spent on this work. We also looked at how exactly this face recognition algorithm works, looked at other face recognition methods, and evaluated their performance. The second section describes which software products we chose to implement the thesis project, which programming languages were used, such as: Python, HTML, CSS, JS. (programming languages, page markup language). The database that best suited this project was selected: Firebase (a service for storing user data), as well as Visual Studio code (development environment). Implementation of the program through a website, considered the neural networks and what method it will be created in the project. The third section describes the graphical implementation of the program's website, neural network development, creating a database project and filling it with the necessary information. At the end of the test of the program itself, how it works in different extensions.Item Оцінка ефективності використання нейронних мереж для даних експресії генів з експерименту РНК-секвенування поодиноких клітин(Національний університет ”Львівська політехніка”, 2022) Манько, Анна Іванівна; Національний університет ”Львівська політехніка”Магістерська кваліфікаційна робота виконана студенткою групи КНСШ-21 Манько Анною Іванівною. Тема “Оцінка ефективності використання нейронних мереж для даних експресії генів з експерименту РНК-секвенування поодиноких клітин”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Віднедавна технології глибинного навчання (ГН) все більше привертають увагу бізнесу та наукової спільноти. Доведено, що вони можуть шукати реальні рішення проблем значно ефективніше та економніше, ніж багато інших підходів. Технологічний прогрес у біоінформатиці призвів до вибуху даних молекулярного та клітинного профілювання з великою кількості зразків. Це стрімке збільшення розміру біологічних даних і швидкості їх отримання ставить під сумнів традиційні підходи геномного аналізу. Сучасні методи машинного навчання, такі як глибинне навчання, обіцяють швидко створювати точні результати, використовуючи приховані дані. У роботі надано довідкову інформацію про те, як взаємодіють геноміка та штучний інтелект, при яких умовах можливо успішно поєднати дані технології. Існує перелік обмежень при аналізі геномних даних, один з яких - маловідомість щодо результатів. Саме тому потрібні вдосконалені методи оптимізації, щоб дослідити їх колосальний простір даних. У праці представлено аналіз існуючих методів штучного інтелекту для оцінки ефективності використання нейронних мереж для класифікації даних генної експресії з експерименту РНК-секвенування поодиноких клітин. Вони базуються на підходах аналізу послідовних даних - рекурентних нейронних мережах та аналогах . За допомогою даних підходів можливо значно скоротити ресурси та час пошуку взаємозвʼязків у геномі; пришвидшити виявлення мертвих клітин, створення лікарств. Тому, розглянуто різні методики, які формують основу для ефективної реалізації алгоритму. The number of studies using single-cell RNA sequencing (scRNA-seq) analysis to explore gene expression patterns is constantly growing. Although the current approach has many advantages, it is also known to be a very computationally demanding task. New types of methods are required to overcome those technical challenges. Artificial Intelligence (AI) has recently attracted tremendous attention both in academia and industry. With the availability of different types of Deep Learning (DL) algorithms, it has become common for biomedical researchers to apply them to speed up the process of gaining insights from the data, including scRNA-seq. However, the capability of using and improving the existing DL methods, and creating new ones is determined by the quantitative comparison of the already developed techniques. Unfortunately, there is no unique standard among state-of-the-art methods (datasets, metrics, frameworks) used for neural network training, often even with no initial data and code availability. The scRNA-seq DL methods benchmarking persists being the most uncovered and challenging part of the future research.Item Стекінгове об'єднання однорідних методів машинного навчання із використанням випадкового шуму: задача регресії(Національний університет ”Львівська політехніка”, 2022) Нагірний, Святослав Богданович; Національний університет ”Львівська політехніка”Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Нагірний Святославом Богдановичем. Тема: «Стекінгове об'єднання однорідних методів машинного навчання із використанням випадкового шуму: задача регресії». Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є удосконалення композиції стекінгового гомогенного ансамблю методів машинного навчання за рахунок формування унікальної для кожного з членів ансамблю вибірки даних на основі випадкового шуму для підвищення точності розв’язання задачі апроксимації. Досягнення мети відбувається за рахунок додавання шумів до вибірки даних яка використовується для навчання, та створення ансамблю в якому всі члени є однорідними (метод опорних векторів з нелінійним ядром). Об’єктом дослідження є процеси композиції стекінгових методів машинного навчання у випадку розв’язання задачі класифікації. Предметом досліджень є методи композиції стекінгових гомогенних ансамблів. Результатом магістерської кваліфікаційної роботи є реалізація стекінгового ансамблю для підвищення точності розв’язання задачі класифікації на основі композиції однорідних методів машинного навчання та декореляції набору даних для кожного з них із використанням випадкового шуму. У результаті виконання магістерської кваліфікаційної роботи реалізовано стекінговий гомогенний ансамбль нелінійних методів машинного навчання; розроблено та захищено авторським правом його програмну реалізацію. Розроблений метод підвищує точність апроксимації наборів даних. Relevance of the research topic. The use of modern means of machine learning does not always ensure high accuracy of work. One of the solutions to this problem is the use of ensembles of machine learning methods. Among the four main classes of ensemble methods, stacking is quite common in the scientific literature. The main advantage of stacking machine learning methods is that this approach can leverage the capabilities of a number of well-performing models to solve classification or regression tasks and make predictions with better performance than any single model in the ensemble. Stacking is appropriate when several different machine learning models are well suited to be applied to a given data set, but with the underlying architecture, the chosen model can only be applied once. Achieving performance improvement depends on the complexity of the problem and whether it is well-represented by the training data and complex enough to learn more by combining predictions. It also depends on the choice of the underlying models and whether they are sufficiently accurate and sufficiently uncorrelated in their predictions (or errors). Existing models of heterogeneous stacking ensembles require a lot of computing resources to select the optimal operating parameters of each of the members in the ensemble. That is why the task of minimizing such costs while maintaining high accuracy of work arises. The aim of the thesis is to improve the composition of a stacked homogeneous ensemble of machine learning methods by forming a unique data sample for each member of the ensemble based on random noise to increase the accuracy of solving the approximation problem.Item Розробка середовища для розпізнавання рухів водіїв транспортних засобів(Національний університет ”Львівська політехніка”, 2022) Пишка, Роман Романович; Національний університет ”Львівська політехніка”Бакалаврська кваліфікаційна робота виконана студентом групи КНСШ-21 Пишкою Романом Романовичем. Тема «Розробка середовища для розпізнавання рухів водіїв транспортних засобів». Робота направлена на здобуття ступеня магістра за спеціальністю 122 «Комп’ютерні науки». Мета дипломної полягає у розробленні середовища для розпізнавання рухів водіїв. Досягнення мети відбувається за рахунок розробки програмного рішення для реалізації середовища для розпізнавання рухів водіїв транспортних засобів, обґрунтованим вибором засобів розробки та реалізованою системою, при якій розпізнавання буде працювати з найменшою похибкою у розпізнаванні. Об’єктом дослідження є процеси розпізнавання зображення. Предметом досліджень є середовища для розпізнавання зображення. У результатом виконання дипломної роботи є створено середовище, яке розпізнає рухи водіїв транспортних засобів; розроблено її програмну реалізацію, яка дозволяє використання розробленої системи. Загальний обсяг роботи: 76 сторінок, 14 рисунки, 16 посилання, 1 додаток. The bachelor's qualification work was completed by a student of the group KNSSH-21 Pyshka Roman Romanovych. The topic " Development of environment for driver action recognition." The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science". The goal of the thesis is to develop an environment for recognizing the movements of drivers. The goal is achieved through the development of a software solution for the implementation of an environment for recognizing the movements of vehicle drivers, a reasonable choice of development tools and an implemented system in which the recognition will work with the smallest recognition error. The object of research is image recognition processes. The subject of research is image recognition environments. As a result of the diploma work, an environment was created that recognizes the movements of vehicle drivers; its software implementation was developed, which allows the use of the developed system. Total volume of work: 70 pages, 11 figures, 15 references, 1 appendix.Item Система рекомендації плейлистів на основі музичного профілю Spotify(Національний університет ”Львівська політехніка”, 2022) Алексєєв, Андрій Сергійович; Національний університет ”Львівська політехніка”Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Алексєєвим Андрієм Сергійовичем. Тема “Система рекомендації плейлистів на основі музичного профілю Spotify”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є дослідження та аналіз системи рекомендацій музичних треків Spotify, а також створення алгоритму підбірки нового плейлисту на основі вже створеного на платформі. Об’єктом дослідження є система рекомендацій треків Spotify та розробка системи для використання розроблених алгоритмів рекомендацій треків на практиці. У результаті виконання дипломної роботи було розроблено систему для рекомендації плейлистів. Система приймає Spotify плейлист користувача як ввід і повертає новий, згенерований на основі вхідного, плейлист. Дана система може використовуватися на практиці для створення більш точних та якісних рекомендацій треків для подальшого формування масивних плейлистів. Master’s degree work of the student of the group CSAI-21 Aleksieiev Andrii Serhiiovych. The topic is "Playlist recommendation system based on Spotify's music profile". The work is aimed at obtaining a master's degree in 122 "Computer Science". The purpose of this work is the research and analysis of Spotify's music track recommendation system, as well as the creation of an algorithm for selecting a new playlist based on the one already created on the platform. The object of the research is the Spotify track recommendation system and the development of a system for using the developed track recommendation algorithms in practice. As a result of the thesis, a system was developed for recommending playlists. The system takes the user's Spotify playlist as input and returns a new playlist generated based on the input. This system can be used in practice to create more accurate and high-quality track recommendations for the further formation of massive playlists.Item Прогнозування дефектів програмного забезпечення із використанням методів машинного навчання(Національний університет ”Львівська політехніка”, 2022) Нестерчук, Олег Ігорович; Національний університет ”Львівська політехніка”Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Нестерчуком Олегом Ігоровичем. Тема “Прогнозування дефектів програмного забезпечення із використанням методів машинного навчання”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є підвищення точності прогнозування дефектів ПЗ методами машинного навчання. Об’єктом дослідження є процес прогнозування дефектів ПЗ. У ході роботи було розглянуто різні підходи щодо покращення результатів прогнозування дефектів ПЗ. Для цього було розглянуто різні алгоритми вибірки ознак з набору даних, а також балансування даних. Окрім цього було проведено оптимізацію гіперпараметрів для використаних моделей машинного навчання, що стало основою для подальшого тестування різних варіантів ансамблевих методів. Як результат, було досягнуто покращення у прогнозуванні дефектів ПЗ завдяки розробленню стекінгової моделі, базові класифікатори якої використовують різні методи балансування даних та вибірки ознак. The process of creating and maintaining software is described by the concept of the software development life cycle (SDLC). One of the stages of the SDLC, testing, is aimed at identifying system defects manifested in unexpected and incorrect behavior. Practice shows that not all software errors are found during testing. A Dutch scientist in the field of computer science, Edsger Dijkstra, shared the opinion that testing can show the presence of defects but never their absence. This means that the great effort spent on verifying the correct operation of the system will only sometimes guarantee its proper operation. According to the so-called "Rule of Ten" the later a defect is discovered during the life cycle, the more expensive the cost of its correction. For example, if the error correction during the coding stage is 100 units, it will already be 1,000 units during the testing stage, and during maintenance - 10,000 units, etc. Therefore, detecting defects at the earliest possible stages is essential in modern software development. One of the ways to detect defects, in addition to testing, is their prediction (SDP, Software defect prediction). Defect prediction is divided into two types: dynamic and static. Dynamic requires the mandatory launch of the software system, which is only sometimes possible and appropriate. In turn, static forecasting does not have such a limitation, which is why it is more popular (in the future, the concept of defect forecasting will be understood as static forecasting). This type of defect detection is carried out using machine learning methods. Given a dataset with source code modules quantitative and qualitative features, machine learning algorithms can succeed in predicting possible software bugs.