Факультет робототехніки та штучного інтелекту
Постійне посилання на фондhttps://repository.lntu.edu.ua/handle/123456789/3434
Переглянути
7 результатів
Результати пошуку
Item type:Кваліфікаційна робота бакалавра, Методи машинного навчання у задачах регресійного аналізу та розробка інтелектуальної системи прогнозування(Луцьк: ЛНТУ, 2026) Лук'янов, Богдан ЛеонідовичКваліфікаційна робота складається зі вступу, чотирьох розділів, висновків та пропозицій, списку використаних джерел (18 найменувань) та додатків. Основний текст викладено на 35 сторінках. У роботі досліджено методи машинного навчання для задач регресійного аналізу – від лінійних параметричних моделей до ансамблів і нейронних мереж. На прикладі датасету California Housing, реалізовано та порівняно п'ять алгоритмів: Ridge-регресію, поліноміальну регресію, дерево рішень, XGBoost і багатошаровий перцептрон. За результатами 5-кратної кросвалідації та оцінювання на тестовій вибірці встановлено ієрархію якості моделей – найкращі показники продемонстрував XGBoost (RMSE = 0,4312, R² = 0,857 після оптимізації гіперпараметрів). Розроблено модульну інтелектуальну систему прогнозування з Pipeline-архітектурою, веб-інтерфейсом Streamlit.Item type:Кваліфікаційна робота бакалавра, Методи машинного навчання для сегментації клієнтів та розробка системи формування персоналізованих пропозицій інтернет-магазину(Луцьк: ЛНТУ, 2026) Печончик, Надія РусланівнаУ кваліфікаційній роботі досліджено методи аналізу та кластеризації клієнтської бази інтернет-магазину з метою формування персоналізованих комерційних пропозицій. Об’єктом дослідження є процес сегментації клієнтів інтернет-магазину на основі транзакційних даних. Предметом дослідження є алгоритми кластеризації та методи машинного навчання, що застосовуються для виявлення груп клієнтів зі схожою поведінкою. В роботі проведено аналіз предметної галузі, розглянуто RFM-модель сегментації клієнтів, досліджено алгоритми k-Means, DBSCAN та ієрархічної кластеризації. Виконано попередню обробку даних, здійснено вибір оптимальних параметрів моделі та сформовано рекомендаційну систему для генерації персоналізованих пропозицій. Практична цінність роботи полягає у розробці програмного модуля сегментації клієнтів, який може бути інтегрований у систему управління інтернет-магазином для підвищення ефективності маркетингових кампаній та зростання показників конверсії.Item type:Кваліфікаційна робота бакалавра, Дослідження архітектури U-Net для семантичної сегментації супутникових знімків(Луцьк: ЛНТУ, 2026) Романік, Віталій МиколайовичКваліфікаційну роботу присвячено дослідженню та програмній імплементації згорткової нейронної мережі архітектури U-Net для автоматизованої семантичної сегментації просторових даних. У процесі дослідження формалізовано математичну постановку задачі піксельної класифікації в умовах екстремального дисбалансу класів. Розроблено конвеєр попередньої обробки даних, що включає розбиття зображень на фрагменти та інтенсивну стохастичну аугментацію. Для ефективної оптимізації ваг моделі імплементовано комбіновану функцію втрат (лінійна комбінація Binary Cross-Entropy та Dice Loss). Експериментальне дослідження проведено на мультиспектральних зображеннях з набору даних DeepGlobe Land Cover. Отримані кількісні результати оцінено за допомогою метрик просторового перекриття (IoU, Dice Coefficient, AUC-PR). На основі візуального зіставлення прогнозних масок виявлено явище семантичної неоднозначності еталонної розмітки: розроблена модель успішно локалізувала об'єкти рослинності (міські дерева, лісосмуги), які не були розмічені експертами через географічну таксономію датасету. Доведено, що архітектура U-Net володіє високою здатністю до вилучення просторово-спектральних ознак і є дієвим інструментом для автоматизованого аналізу даних дистанційного зондування Землі.Item type:Кваліфікаційна робота бакалавра, Аналіз та розробка методів виявлення спаму та фішингу в електронній пошті з використанням обробки природної мови(Луцьк: ЛНТУ, 2026) Ткачук, Вадим МиколайовичКваліфікаційна робота присвячена розв'язанню актуальної задачі ідентифікації небажаної електронної кореспонденції за допомогою методів обробки природної мови (NLP) та машинного навчання. У роботі обґрунтовано доцільність переходу від класичних детермінованих систем фільтрації до адаптивних нейромережевих рішень. Сформовано та збалансовано унікальний масив даних обсягом 38 610 листів, що включає три класи: легітимні повідомлення, спам та фішинг. Розроблено автоматизований конвеєр попередньої обробки тексту, який реалізує токенізацію, видалення шуму та векторизацію (TF-IDF, Word Embeddings). Проведено експериментальне порівняння базових алгоритмів (Multinomial Naive Bayes, Logistic Regression) та глибокої нейронної мережі архітектури Bi-LSTM. Доведено, що класичні лінійні моделі схильні до перенавчання на специфічних лексичних маркерах через явище "зсуву даних". Встановлено, що оптимальним рішенням для виявлення складних соціально-інженерних фішингових атак є використання двонаправлених рекурентних мереж, здатних аналізувати семантичний контекст текстової послідовності. Розроблена модель Bi-LSTM досягла точності 99,79 % на валідаційній вибірці. Отримані результати мають високу практичну значущість і можуть бути інтегровані в сучасні системи корпоративної кібербезпеки.Item type:Кваліфікаційна робота бакалавра, Дослідження та розробка системи рекомендацій товарів на основі колаборативної фільтрації та Spark MLlib(Луцьк: ЛНТУ, 2026) Томак, Акім ВолодимировичУ кваліфікаційній роботі досліджено методи побудови рекомендаційних систем на основі колаборативної фільтрації з метою підвищення якості персоналізації товарних рекомендацій у сфері електронної комерції. Об’єктом дослідження є процес формування персоналізованих рекомендацій товарів на основі взаємодії користувачів із системою. Предметом дослідження є алгоритми колаборативної фільтрації, методи матричної факторизації та технології машинного навчання, що використовуються для створення рекомендаційних систем. У роботі проведено аналіз предметної галузі та сучасних підходів до побудови рекомендаційних систем, розглянуто принципи роботи колаборативної фільтрації та алгоритму ALS. Досліджено методи обробки даних користувачів, виконано підготовку датасету та реалізовано модель рекомендаційної системи засобами Apache Spark MLlib. Проведено експерименти з оцінювання точності роботи моделі та аналіз ефективності сформованих рекомендацій.Item type:Кваліфікаційна робота бакалавра, Аналіз статистичних характеристик мережевого трафіку та розробка моделі виявлення аномальної активності(Луцьк: ЛНТУ, 2026) Касько, Юрій МиколайовичКваліфікаційну роботу присвячено розв’язанню актуальної задачі забезпечення мережевої безпеки шляхом застосування методів машинного навчання для автоматизованого виявлення аномальної активності (кібератак). В ході дослідження здійснено детальний аналіз предметної області та обґрунтовано використання відкритого набору даних NSL-KDD, що містить 41 статистичну ознаку мережевих з'єднань. У роботі розроблено та програмно реалізовано мовою Python дві класифікаційні моделі на базі алгоритмів Дерева рішень (Decision Tree) та Випадкового лісу (Random Forest). Експериментальне дослідження виявило, що класичне Дерево рішень продемонструвало вищу загальну точність (80.20%) порівняно з ансамблевою моделлю (77.31%) на тестовій вибірці з невідомими типами загроз. Обидві моделі показали високу влучність (Precision) понад 96% при ідентифікації аномалій, що забезпечує низький рівень хибних спрацьовувань. Розроблене програмне рішення може бути інтегроване в сучасні системи виявлення вторгнень.Item type:Кваліфікаційна робота бакалавра, Аналіз методів класифікації тексту та розробка системи автоматизованого аналізу відгуків для оцінки якості послуг(Луцьк: ЛНТУ, 2026) Власюк, Юрій ВалерійовичКваліфікаційна робота складається зі вступу, чотирьох розділів, висновків, списку використаних джерел (18 найменувань) та додатків. У роботі досліджено проблему автоматизованого аналізу текстових відгуків споживачів для оцінки якості послуг та проведено порівняльний аналіз методів класифікації тексту. Реалізовано та навчено три моделі класифікації: логістична регресія з TF-IDF векторизацією, fastText та DistilBERT з процедурою fine-tuning. Порівняльний аналіз на тестовій вибірці продемонстрував перевагу трансформерного підходу: DistilBERT досяг показника Macro-F1 = 0,8265, що на 27,6 % перевищує результат логістичної регресії. Розроблено програмну систему автоматизованого аналізу відгуків з модульною архітектурою, REST API на базі FastAPI та демонстраційним веб-інтерфейсом на платформі Gradio.