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.

Now showing 1 - 4 of 4

Recent Submissions

No Thumbnail Available
Item
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.
No Thumbnail Available
Item
Каскадна модель машинного навчання для попереднього опрацювання даних екологічного моніторингу з розвиненої мережі пристроїв ІоТ
(Національний університет "Львівська політехніка", 2022) Шевчук, Ігор Олегович; Національний університет "Львівська політехніка"
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Шевчуком Ігорем Олеговичем. Тема “Каскадна модель машинного навчання для попереднього опрацювання даних екологічного моніторингу з розвиненої мережі пристроїв ІоТ”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є розробка каскаду методів машинного навчання для реалізації граничних обчислень під час розвʼязання задачі заповнення пропусків у даних з розвиненої системи пристроїв IoT. Об’єктом дослідження є процеси попереднього опрацювання даних екологічного моніторингу стану повітряного середовища за допомогою пристроїв інтернету речей. Предметом дослідження є ансамблеві методи реалізації граничних обчислень для заповнення пропусків у даних з розвиненої мережі пристроїв ІоТ. Результатом виконання роботи є ріалізований каскадний метод для заповнення пропусків у даних повітряного моніторингу пристроями IoT. Master#s degree work of the student of the group CSAI-22 Shevchuk Ihor Olehovych. The topic is "A cascade machine learning model for preprocessing environmental monitoring data from a developed network of IoT devices". The work is aimed at obtaining a master's degree in 122 "Computer Science". Research purpose: develop a cascade of machine learning methods for the implementation of boundary computations when solving the problem of filling missing values in data from a developed system of IoT devices. Research object: the processes of pre-processing of the environmental monitoring data of the state of the air environment with the help of Internet of Things devices. Research subject: the ensemble methods of implementing edge computing to fill missing values in data from a developed network of IoT devices. The practical significance of the work is a developed cascade method for filling missing values in aerial monitoring data with IoT devices.
No Thumbnail Available
Item
Система аналізу коментарів з метою виявлення мови ворожнечі, домагань та знущань
(Національний університет ”Львівська політехніка”, 2022) Філіпенко, Михайло-Іван Юрійович; Національний університет ”Львівська політехніка”
Магістерська кваліфікаційна робота 58 ст., 39 рис., 3 табл., 31 посилання. Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Філіпенком Михайлом-Іваном Юрійовичом. Тема роботи: “Система аналізу коментарів з метою виявлення мови ворожнечі, домагань та знущань”. Дана робота спрямована на отримання ступеня магістра за спеціальністю 122 «Комп’ютерні науки». Метою розробки даної системи є розробка програмного продукту, який спочатку порівнює різноманітні алгоритми класифікації текстів методами обробки природної мови, а потім дозволяє користувачу використовувати отриману навчену нейромережу для самостійного використання. На вхід мережі подаватиметься текст, а на виході користувач отримуватиме ймовірність, що поданий текст містить елементи непристойного спілкування. Результатом виконання магістерської кваліфікаційної роботи є система обробки тексту за допомогою нейронних мереж, яка дозволяє визначити ймовірність, що поданий на вхід текст, містить у собі елементи знущання чи мови ворожнечі. Master's thesis of the 58 pages, 39 figures, 3 tables, 31 references. The master's qualification work was completed by the student of the CSAI-22 group, Mykhaylo-Ivan Yuriyovych Filipenko. The topic of the work: "Comment analysis system for the purpose of detecting hate speech, harassment, and bullying". This work is aimed at obtaining a master's degree in the specialty 122 "Computer science". The purpose of developing this system is to develop a software product that first compares various text classification algorithms using natural language processing methods, and then allows the user to use the resulting trained neural network for personal use. Text will be sent to the input of the network, and at the output, the user will receive a probability that the submitted text contains elements of obscene communication. The result of the master's qualification work is a text processing system using neural networks, which allows you to determine the probability that the input text contains elements of abuse or hate speech.
No Thumbnail Available
Item
Застосування методів машинного навчання для рекомендацій як частина таргетованої реклами для просування бізнесу
(Національний університет “Львівська політехніка”, 2023) Бурцьо , Ольга Юріївна; Національний університет “Львівська політехніка”
Магістерська кваліфікаційна робота виконана студенткою групи КНСШ 21 Бурцьо Ольгою Юріївною. Тема “Застосування методів машинного навчання для рекомендацій як частина таргетованої реклами для просування бізнесу”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є рекомендаційні системи, які включають відомості про мультимедійні дані. Предметом досліджень є методи та засоби, які використовуються для рекомендацій на основі зображень. Для досягнення мети важливо виконувати наступні кроки: специфікувати конкретну проблему, провести літературний огляд, зібрати та проаналізувати відповідні дані, розробити та налаштувати модель машинного навчання, провести експерименти для валідації результатів та підготувати наукову дипломну роботу, що містить всі кроки дослідження. Наступний етап – це публікації результатів для внесення внеску у цю галузь. Завершенням процесу буде захист дипломної роботи перед відповідною комісією. Після завершення дослідження буде розглянуто можливості подальшого розвитку. Виконуючи магістерську дипломну роботу було проведено дослідження існуючих методів для рекомендацій з використанням машинного навчання як основа таргетованої реклами для просування бізнесу; пошук, очищення та аналіз даних, необхідних для рекомендацій; імплементація досліджених методів та порівняння й аналіз отриманих результатів на основі метрик, таких як точність, косинусна подібність тощо; підготовка звіту про проведену роботу, включаючи опис методів, отримані результати та рекомендації. Загальний обсяг роботи: 72 сторінки, 29 рисунків, 25 посилань. The master's qualification work was completed by the student of the KNSSh-21 group Burtso Olha Yuriivna. Topic "Applying machine learning techniques to recommendations as part of targeted advertising to promote business". The work is aimed at obtaining a master's degree in the speciality 122 "Computer Science". The object of research is recommender systems that include information about multimedia data. The subject of research is the methods and means of operation of recommender systems for multimedia data. To achieve the goal, it is important to perform the following steps systematically: specify a specific problem in the field of recommender systems for multimedia data, conduct a literature review, collect and analyze relevant data, develop and tune a machine learning model, conduct experiments to validate the results, and prepare a scientific thesis containing all steps of research. The completion of the process will be the defence of the thesis before the relevant committee. Once the research is complete, consider opportunities to further develop and publish the results to contribute to the field. As a result of the thesis, a study of existing methods for recommendations using machine learning was conducted as a basis for targeted advertising for business promotion; search, cleaning and analysis of data necessary for recommendations; implementation of the researched methods and comparison and analysis of the obtained results based on metrics such as accuracy, cosine similarity, etc.; preparation of a report on the work carried out, including a description of methods, got results and recommendations. Total volume of work: 72 pages, 29 figures, 25 references.
No Thumbnail Available
Item
Модифікація двокрокового методу інтелектуального аналізу даних: задача класифікації
(Національний університет ”Львівська політехніка”, 2022) Сидор, Мар’ян Сергійович; Національний університет ”Львівська політехніка”
Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Сидором Мар`яном Сергійовичем. Тема «Модифікація двокрокового методу інтелектуального аналізу даних: задача класифікації». Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Мета роботи полягає в удосконаленні двокрокового методу класифікації числових наборів даних для підвищення швидкодії процедури його навчання. Досягнення мети відбуватиметься шляхом формування нового набору даних для фінального класифікатора шляхом заміни початкових входів задачі на прогнозоване значення внаслідок додаткового використання класифікатора та маркерів приналежності поточного спостереження до кожного із кластерів, визначених на першому кроці методу. Це зменшить час навчання обраного класифікатора при збереженні точності його роботи. Апробацію роботи розробленого удосконаленого методу здійснено з використанням різних алгоритмів машинного навчання на основі реального біомедичного набору даних для розв’язання задачі класифікації. Об’єкт дослідження – процеси класифікації даних методами машинного навчання. Предмет дослідження – гібридні методи класифікації табличних наборів даних на основі лінійних алгоритмів машинного навчання. У результаті виконання дипломної роботи створено базову інтелектуальну систему двокрокового методу класифікації та її модифікації; розроблено їх програмну реалізацію, яка дозволяє досліджувати роботу різних методів машинного навчання, підбирати гіперпараметри для оптимальної роботи системи, а також порівнювати результати навчання класифікаторів на представлених шести різних алгоритмах розширених початкових даних. The master’s qualification thesis was completed by the student of the KNSSh 21 group Sydor Marian Serhiiovych. The topic "Modification of the two-step method of intelligent data analysis: the task of classification." The work is aimed at obtaining a master’s degree in the specialty 122 "Computer Science". The purpose of the work is to improve the two-step method of classification of numerical data sets to increase the speed of its training procedure. The goal will be achieved by forming a new data set for the final classifier by replacing the initial inputs of the problem with the predicted value due to the additional use of the classifier and markers of belonging to the current observation to each of the clusters defined in the first step of the method. This will reduce the training time of the selected classifier while maintaining the accuracy of its work. Approbation of the work of the developed improved method was carried out using various machine learning algorithms based on a real biomedical data set for solving the classification problem. The object of research is data classification processes using machine learning methods. The subject of the research is hybrid methods of classification of tabular datasets based on linear machine learning algorithms. As a result of the thesis, a basic intellectual system of the two-step method of classification and its modification was created; their software implementation was developed, which allows you to investigate the operation of various machine learning methods, select hyper parameters for optimal system operation, and also compare the results of training classifiers on six different algorithms of extended initial data.