Факультет електроніки та інформаційних технологій (ЕлІТ)
Permanent URI for this communityhttps://devessuir.sumdu.edu.ua/handle/123456789/20
Browse
12 results
Search Results
Item Програмний додаток розпізнавання пневмонії за рентгенівськими знімками(Сумський державний університет, 2025) Кириченко, Д.С.Кваліфікаційна робота присвячена розробці веб-додатку для розпізнавання пневмонії за рентгенівськими знімками. Проведено аналіз предметної області, архітектур нейронних мереж та програмних аналогів. Обрано згорткову нейронну мережу (CNN) як найбільш ефективну для задачі аналізу медичних зображень. Реалізовано програмний додаток із багатошаровою CNN, розроблений мовою Python без використання готових фреймворків. Веб-інтерфейс взаємодіє з нейромережею через Flask API. Результатом є функціональний програмний додаток, що дозволяє автоматизувати процес діагностики пневмонії та спрощує роботу медичних фахівців.Item Порівняльний аналіз ефективності методів класифікації зображень(Cумський державний університет, 2024) Пустовий, Ю.М.Використовуючи датасет CIFAR-10, який містить 60,000 кольорових зображень, що відносяться до десяти класів, проведено порівняльний аналіз ефективності різних методів класифікації зображень. Класифікацію зображень проведено на основі наступних алгоритмів: згорткової нейронної мережі (CNN), методу опорних векторів (SVM), методу k-найближчих сусідів (k-NN), дерева рішень (Decision Trees). З'ясовано, що алгоритм, який побудовано на згортковій нейронній мережі (CNN) показує найвищу загальну точність, мінімізує помилкові спрацьовування. В роботі запропоновано рекомендації щодо вибору алгоритму для задачі класифікації виходячи з завдань конкретної задачі.Item Вивчення існуючих моделей та нейромереж для розпізнавання образів з мінімізацією зусиль на додаткове тренування. Дослідження систем відеорозпізнавання, які не потребують навчання(Cумський державний університет, 2024) Івашина, А.В.У цій роботі досліджено методи розпізнавання та класифікації зображень за допомогою згорткових нейронних мереж (CNN) та навчання «з нуля» (ZSL). Розглянуто вибір активаційних функцій, оптимізаторів і метрик для оцінки моделей з метою досягнення найкращих результатів. Проведено підготовку та попередню обробку даних, машинне втілення CNN і ZSL, а також аналіз результатів експериментів. Показано ефективність обраних підходів для розпізнавання нових класів зображень без додаткового тренування. Виявлено переваги та недоліки кожного методу, що дозволяє окреслити напрямки для подальших досліджень і вдосконалення розглянутих моделей.Item Інформаційна технологія глибокого машинного навчання системи розпізнавання рентгенівських зображень(Сумський державний університет, 2023) Видриган, В.О.Проведено аналіз існуючих методів класифікацій зображень. Розроблено систему розповсюдження рішення розпізнання рентгенівський зображень, застосовуючи інформаційну технологію. Розглянуто, а також програмно реалізовано інформаційну технологію глибокого машинного навчання системи розпізнавання рентгенівських зображень. Проведено навчання системи на реальних вхідних даних, взятих з відкритого репозиторію. Алгоритм розроблено за допомогою мови програмування Python.Item Інформаційна технологія розпізнавання шкідливого програмного забезпечення з використанням нейромережової архітектури трансформерів(Сумський державний університет, 2023) Фролов, Д.І.На мові програмування Python впроваджено інформаційну технологію розпізнавання шкідливого програмного забезпечення з використанням нейромережової архітектури трансформерів. Проведено аналіз отриманих результатів в порівнянні з результатами роботи згорткової та гібридної нейронних мереж. Визначено гібридну штучну нейронну мережу CoAtNet як найбільш ефективну для вирішення зазначених завдань.Item Інформаційна технологія моніторингу функціонального стану доріг та узбіч(Сумський державний університет, 2021) Білоцерковець, С.А.Розроблено інтелектуальну технологію, що визначає дефекти дорожнього покриття та засміченість узбіч.Item Інтелектуальна система розпізнавання шкідливого програмного забезпечення(Сумський державний університет, 2021) Коваленко, А.О.Реалізована інтелектуальна система розпізнавання на основі згорткових нейронних мереж з кватерніонними компонентами, проведений вибір та дослідження методу перетворення файлів шкідливого програмного забезпечення у графічні зображення. Була сформована навчальна вибірка даних для класифікації та проведене тренування моделі. Результати роботи системи показали високу точність класифікації шкідливих зразків ПЗ. Програмна реалізація здійснена з використанням мови Python, бібліотек TensorFlow та Keras.Item Програмний додаток визначення медичної дезінформації в онлайн-спільнотах(Сумський державний університет, 2019) Вербицька, А.А.Дипломний проект присвячений розробці програмного додатку визначення медичної дезінформації в онлайн-спільнотах. В роботі проведено аналіз предметної області, визначено мету та основні задачі проекту та засоби реалізації. Проведено огляд інтелектуальних методів обробки природної мови та Python-бібліотек. У роботі виконано моделювання роботи програмного додатку за допомогою структурно-функціонального аналізу, побудовано та навчено нейронну мережу для класифікації тверджень та розроблено програмний додаток. Результатом проведеної роботи є розроблений програмний додаток визначення медичної дезінформації в онлайн-спільнотахItem Метод машинного навчання для веб-безпеки та аналітики(Сумський державний університет, 2018) Абойі, С.О.Model аnd trаіnіng method of web mаlwаre trаffіc detectіon system usіng convolutіonаl neurаl network аnd іnformаtіon-extreme clаssіfіer, preprocessed trаіnіng аnd test set of normаl аnd аbnormаl web trаffіc representаted by https аnd webshell аttаcks.Item Інформаційна технологія навігації безпілотного робота на основі семантичної сегментації відео зображень(Сумський державний університет, 2018) Шалда, І.С.Розроблено модель, алгоритм та програмна реалізація машинного навчання та екзамену для системи автономної навігації в рамках семантичної сегментації з використанням згорткових мереж розпізнавання. Розроблений алгоритм реалізовано на мові Python.