Видання зареєстровані авторами шляхом самоархівування
Permanent URI for this communityhttps://devessuir.sumdu.edu.ua/handle/123456789/1
Browse
8 results
Search Results
Item Машинне навчання та аналітика великих даних: трансформація сучасного суспільства(Сумський державний університет, 2025) Голда, А.; Гриценко, Костянтин Григорович; Hrytsenko, Kostiantyn HryhorovychПеред Україною стоїть комплексне завдання – не лише освоїти передові технології, а й створити умови для їхнього гармонійного впровадження у всі сфери життя. Це вимагатиме консолідації зусиль держави, бізнесу, науки та громадянського суспільства. Тільки такий комплексний підхід дозволить реалізувати повний потенціал цифрової трансформації на благо суспільства та кожної окремої людини.Item Машинне навчання та аналітика великих даних(Сумський державний університет, 2025) Біловодська, В.Обсяг даних з часом постійно зростає, а отже їхній збір та оброблення стають все більш складною задачею. Зібрати дані – лише частина роботи. Важливо отримати з них інформацію для формування максимально ефективної бізнес-стратегії. Впровадження машинного навчання для аналітики великих даних є обов’язковим кроком для тих, хто хоче повноцінно працювати з Big Data.Item Машинне навчання та аналітика великих даних: досвід України та країн ЄС(Сумський державний університет, 2025) Лук’янова, В.; Гриценко, Костянтин Григорович; Hrytsenko, Kostiantyn HryhorovychУ 2025 році машинне навчання (ML) та аналітика великих даних (Big Data Analytics) продовжують відігравати ключову роль у трансформації економік, систем державного управління, освіти та безпеки. Країни ЄС вже давно розглядають ці технології як рушійні сили цифрової трансформації, натомість Україна, попри виклики війни, активізує зусилля щодо впровадження ML-рішень на державному рівні, у бізнесі та науці.Item Машинне навчання для забезпечення кібербезпеки у сфері фінансових послуг(ВВП «Мрія», 2025) Яровенко, Ганна Миколаївна; Yarovenko, Hanna MykolaivnaУ навчальному посібнику розглянуто актуальне поєднання методів машинного навчання та завдань кібербезпеки у фінансовому секторі з огляду на досвід ЄС та потреб України в умовах зростання цифрових загроз. Видання охоплює вісім ключових тем, які комплексно поєднують теорію з практикою: кожен розділ містить теоретичний матеріал, практичні завдання та приклади алгоритмів машинного навчання мовою Python. Посібник формує навички роботи з даними, побудови, навчання, оцінювання якості та удосконалення моделей, орієнтованих на виявлення загроз та підвищення кіберзахисту у фінансовому секторі. Видання має виразну прикладну спрямованість і призначене передусім для студентів бакалаврату спеціальності 051 – Економіка, зокрема освітньої програми «Економічна кібернетика та бізнес-аналітика». Воно також стане у пригоді студентам інших спеціальностей, аспірантам, викладачам і практикам у галузях фінансів, бізнес-аналітики та кібербезпеки.Item Протидія кібершахрайству у фінансовому секторі: практика ЄС(ВВП «Мрія», 2024) Яровенко, Ганна Миколаївна; Yarovenko, Hanna Mykolaivna; Койбічук, Віталія Василівна; Koibichuk, Vitaliia Vasylivna; Боженко, Вікторія Володимирівна; Bozhenko, Viktoriia Volodymyrivna; Пахненко, Олена Михайлівна; Pakhnenko, Olena MykhailivnaУ монографії розглянуті актуальні виклики цифрової економіки, пов’язані із зростанням кібершахрайства у фінансовій сфері. Визначено природу кібершахрайств, їх різновиди та сучасні виклики, з якими стикається фінансовий сектор в Україні та країнах ЄС. Особлива увага приділяється інституційному забезпеченню протидії шахрайствам, ролі нормативно-правових актів ЄС, таких як GDPR, PSD2, NIS2, та використанню передових технологій на основі штучного інтелекту для моніторингу і захисту фінансових систем. У праці також розглянуто міжнародний досвід боротьби з кіберзлочинністю, включно з діяльністю Europol, ENISA і CERT-EU, та наголошено на важливості фінансової грамотності й підвищення кіберстійкості. Монографія надає рекомендації для ефективного впровадження європейських підходів до кібербезпеки, що можуть бути корисними для науковців, фахівців і студентів у сфері економіки та безпеки.Item Використання машинного навчання для створення текстової інформації на основі аналізу фінансових звітів компаній(Сумський державний університет, 2023) Півень, А.В.; Кушнерьов, Олександр Сергійович; Kushnerov, Oleksandr Serhiiovych; Койбічук, Віталія Василівна; Koibichuk, Vitaliia VasylivnaЗастосування машинного навчання в аналізі фінансових звітів компаній відкриває нові горизонти для більш глибокого та ефективного використання даних, забезпечуючи компаніям конкурентні переваги та підтримуючи прийняття обґрунтованих рішень.Item Використання машинного навчання для створення текстової інформації на основі аналізу фінансових звітів компаній(Сумський державний університет, 2023) Півень, А.В.; Кушнерьов, Олександр Сергійович; Kushnerov, Oleksandr Serhiiovych; Койбічук, Віталія Василівна; Koibichuk, Vitaliia VasylivnaДоповідь розглядає використання машинного навчання та глибинного навчання для аналізу фінансових звітів компаній. Застосування алгоритмів машинного навчання у фінансовому секторі включає автоматизацію аналізу даних, покращення якості аналізу, генерацію текстових звітів та прогнозування фінансових тенденцій. Розроблений модуль дозволяє швидко та ефективно аналізувати фінансові звіти, забезпечуючи конкурентні переваги компаніям.Item Роль та ефективність використання нейронної мережі у вдосконаленні аналізу, класифікації та управління відгуками на товари(Сумський державний університет, 2023) Кільдей, А.Д.; Кушнерьов, Олександр Сергійович; Kushnerov, Oleksandr Serhiiovych; Койбічук, Віталія Василівна; Koibichuk, Vitaliia VasylivnaУ сучасному інформаційному суспільстві важливо розвивати ефективні методи аналізу та класифікації текстової інформації, зокрема в контексті відгуків на товари. Ця робота розглядає роль та ефективність використання нейронних мереж у вдосконаленні аналізу, класифікації та управління відгуками. Зокрема, досліджуються методи обробки природної мови, машинного та глибокого навчання для створення моделей класифікації відгуків на товари. Робота також вказує на важливість збору чистих та репрезентативних даних, а також на етапи підготовки текстових даних для досягнення високої точності та ефективності моделей.