Видання зареєстровані авторами шляхом самоархівування
Permanent URI for this communityhttps://devessuir.sumdu.edu.ua/handle/123456789/1
Browse
7 results
Search Results
Item Predicting the results of Esports matches by means of machine learning(Sumy State University, 2022) Hrytsenko, A.K.; Гриценко, Костянтин Григорович; Гриценко, Константин Григорьевич; Hrytsenko, Kostiantyn HryhorovychІндустрія кіберспорту є високорозвиненою міждисциплінарною сферою, в якій широко використовується машинне навчання. Ми вивчаємо застосування методів машинного навчання для прогнозування результатів кіберспортивних матчів. На основі кореляційного аналізу визначено вхідні змінні для прогнозування результатів кіберспортивних матчів онлайн-гри League of Legends. Пакет SAS Enterprise Miner створює прогнозні моделі у формі дерева рішень, логістичної регресії та нейронної мережі. На основі аналізу показників якості прогнозних моделей обґрунтовано використання нейронної мережі як предиктора результатів кіберспортивних матчів. Основна перевага нашого підходу полягає в тому, що він підвищує точність прогнозу за допомогою обраної найкращої моделі машинного навчання.Item Predictive modeling of the outcomes of cyber sport matches using Data Mining technologies(Хмельницький національний університет, 2021) Кузьменко, Ольга Віталіївна; Кузьменко, Ольга Витальевна; Kuzmenko, Olha Vitaliivna; Гриценко, Костянтин Григорович; Гриценко, Константин Григорьевич; Hrytsenko, Kostiantyn Hryhorovych; Яровенко, Ганна Миколаївна; Яровенко, Анна Николаевна; Yarovenko, Hanna Mykolaivna; Кушнерьов, Олександр Сергійович; Кушнерёв, Александр Сергеевич; Kushnerov, Oleksandr Serhiiovych; Hrytsenko, A.K.Кіберспортивна галузь є високорозвиненою міждисциплінарною сферою, в якій широко використовуються технології машинного навчання та штучного інтелекту. В статті досліджено питання застосування технологій Data Mining з метою прогнозування результатів кіберспортивних матчів. Розглянута методика прогнозного моделювання. На основі кореляційного аналізу визначено вхідні змінні для прогнозування результатів матчів онлайн гри League of Legends. В пакеті SAS Enterprise Miner побудовано прогнозні моделі у вигляді дерева рішень, логістичної регресії та нейронної мережі. На основі аналізу показників якості прогнозних моделей обгрунтовано використання нейронної мережі в складі предиктора результатів кіберспортивних матчів. Метою даного предиктора є надання гравцям порад про те, яким чином змінити стратегію гри, в якій вони зазнають поразки.Item Прогнозне моделювання результатів кіберспортивних матчів із використанням технологій data mining(Комп’ютерні системи та інформаційні технології, 2021) Кузьменко, Ольга Віталіївна; Кузьменко, Ольга Витальевна; Kuzmenko, Olha Vitaliivna; Гриценко, Костянтин Григорович; Гриценко, Константин Григорьевич; Hrytsenko, Kostiantyn Hryhorovych; Яровенко, Ганна Миколаївна; Яровенко, Анна Николаевна; Yarovenko, Hanna Mykolaivna; Кушнерьов, Олександр Сергійович; Кушнерёв, Александр Сергеевич; Kushnerov, Oleksandr Serhiiovych; Гриценко, АОстаннім часом в Україні активно розвивається індустрія кіберспорту. Кіберспорт сприяє розвитку розумових здібностей у використанні інформаційних технологій. Кіберспорт – це змагання з комп’ютерних ігор. Вона охоплює велику кількість населення та широкий спектр професій. Індустрія кіберспорту включає не лише гравців, а й розробників ігор, менеджерів команд, організаторів турнірів, маркетологів, стрімінгових компаній, численних спонсорів та державних установ. У багатьох країнах світу кіберспорт має державну підтримку, змагання високого рівня та відповідні освітні програми. У 2020 році кіберспорт був визнаний офіційним видом спорту в Україні, а в серпні 2021 року Україна вперше прийняла Чемпіонат Європи з кіберспорту. Особливо слід відзначити роль штучного інтелекту та технологій машинного навчання у розробці комп’ютерних онлайн-ігор. Кіберспортивна галузь є високорозвиненою міждисциплінарною сферою, в якій широко використовуються технології машинного навчання та штучного інтелекту. В статті досліджено питання застосування технологій Data Mining з метою прогнозування результатів кіберспортивних матчів. Розглянута методика прогнозного моделювання. На основі кореляційного аналізу визначено вхідні змінні для прогнозування результатів матчів онлайн гри League of Legends. В пакеті SAS Enterprise Miner побудовано прогнозні моделі у вигляді дерева рішень, логістичної регресії та нейронної мережі. На основі аналізу показників якості прогнозних моделей обгрунтовано використання нейронної мережі в складі предиктора результатів кіберспортивних матчів. Метою даного предиктора є надання гравцям порад про те, яким чином змінити стратегію гри, в якій вони зазнають поразки.Item Assessment of the probability of fraud in the process of lending to bank customers(Сумський державний університет, 2021) Радько, В.В,; Radko, V.V.Досліджено процес моделювання ймовірності шахрайства в процесі кредитування клієнтів банку. Був проведений аналіз поточного стану кредитних шахрайств. Проаналізовано сучасні підходи до боротьби з кредитними ризиками. Побудовано концептуальну модель для оцінки ймовірності шахрайства. Були побудовані математичні моделі, такі як логістична регресія, дерево рішень та нейронна мережа. В результаті Дерево рішень було визнано найкращим методом, який може ефективно та точно запобігти ймовірності шахрайства у процесі кредитування клієнтів банку.Item Forecasting the risk of money laundering through financial intermediaries(Університет банківської справи, 2020) Турсалон, М.М.; Зейналов, З.Г.; Гусейнова, А.Т.; Лєонов, Сергій Вячеславович; Леонов, Сергей Вячеславович; Lieonov, Serhii Viacheslavovych; Кузьменко, Ольга Віталіївна; Кузьменко, Ольга Витальевна; Kuzmenko, Olha Vitaliivna; Боженко, Вікторія Володимирівна; Боженко, Виктория Владимировна; Bozhenko, Viktoriia VolodymyrivnaОсновною метою проведеного дослідження є побудова прогнозної нейромережевої моделі для визначення динаміки ризику використання банківських установ для легалізації кримінальних коштів. Методичним інструментарієм проведеного дослідження стали методи експоненційного згладжування (з використанням експоненційного тренду, лінійної моделі Хольта та затухаючого тренду), моделі штучної нейронної мережі (багатошаровий персептрону MLP-архітектури з використанням алгоритму BFGS, радіальна базисна функція RBF-архітектури з використанням алгоритму RBFT). Об’єктом дослідження обрано 20 банків України. Побудова прогнозної моделі в статті здійснено в наступній логічній послідовності: визначено прогнозні значення релевантних факторів впливу на ризик залучення фінансової установи в тіньові операції; навчання нейронних мереж за сформованою вибіркою показників; прогнозування ризику використання фінансових посередників України для легалізації кримінальних доходів на період 2020-2025 рр. на основі побудованих нейронних мереж. Проведені розрахунки засвідчили, що до 2025 року лише 40% аналізованих банків України зможуть зменшити їх участь в легалізації незаконно отриманих коштів.Item Simulation of Scoring of the Bank’s Borrowers Creditworthiness(Sumy State University, 2018) Гриценко, Костянтин Григорович; Гриценко, Константин Григорьевич; Hrytsenko, Kostiantyn HryhorovychРозглянуто основні принципи кредитного скорингу. Наведено характеристики позичальників банку, використані при побудові моделей логістичної регресії, дерева рішень та нейронної мережі. Проведено вибір найякіснішої моделіItem Data mining-based assessement of the risk of using financial intermediaries for money laundering(Ефективна економіка, 2019) Кузьменко, Ольга Віталіївна; Кузьменко, Ольга Витальевна; Kuzmenko, Olha Vitaliivna; Бойко, Антон Олександрович; Бойко, Антон Александрович; Boiko, Anton Oleksandrovych; Яровенко, Ганна Миколаївна; Яровенко, Анна Николаевна; Yarovenko, Hanna Mykolaivna; Доценко, Тетяна Віталіївна; Доценко, Татьяна Витальевна; Dotsenko, Tetiana VitaliivnaВ статті побудовано економіко-математичні моделі нейронної мережі залежності ризику використання фінансових посередників з метою легалізації коштів, отриманих незаконним шляхом, від факторних ознак. Реалізація запропонованої методики відбувалась у вигляді багатошарового персептрону MLP та мережі на основі радіальних базисних функцій. Для побудови нейронної мережі типу багатошарового персептрону MLP використано алгоритм BFGS. Для побудови нейронної мережі на основі радіальних базисних функцій RBF використано алгоритм RBFT. Інтелектуальний аналіз даних в розрізі виявлення ключових факторів досліджуваного ризику проведений на основі дослідження колінеарності шляхом застосування сигма-обмеженої параметризації та кореляційного аналізу залежності як регресанда від кожного із індикаторів регресорів, так і факторів між собою. Проведене ранжування факторів за ступенем їх впливу на відгук: 1) індекс сприйняття корупції; 2) внутрішньо переміщені особи, нові переміщення, пов'язані з конфліктом та насильством (кількість випадків); 3) світовий індекс щастя; 4) позови до центрального уряду; 5) банківська таємниця; 6) глобальний індекс тероризму; 7) валовий внутрішній продукт на душу населення. Побудовані моделі нейронних мереж представлені архітектурою (кількістю шарів та прихованих нейронів), продуктивністю та помилкою (навчальною, контрольною, тестовою), алгоритмом навчання, а також функціями помилки, активних прихованих та активних вихідних нейронів. Достовірність представлених моделей доведена на основі критеріїв: «Продуктивність навчання», «Контрольна продуктивність», «Тестова продуктивність». Проведено прогнозування ризику використання фінансових посередників з метою легалізації кримінальних доходів на період 2019 – 2023 рр., яка засвідчило його поступове зростання починаючи з 2020 р. Доведено, що прогнозні значення ризику використання фінансових посередників з метою легалізації кримінальних доходів, незалежно від досить низького прогнозного рівня 2019 року, мають тенденцію до стрімкого зростання в найближчій перспективі.