аналіз даних

Analysis and Prediction of Hydrogen Yield Using Artificial Neural Networks

This study aims to design a reliable prediction model for H$_2$ production by steam methane reforming using artificial neural networks (ANN).  To achieve this, experimental data related to this process were first analyzed and then used to develop an ANN model implemented in Python.  Model construction was carried out in three stages: network architecture design, training, and performance evaluation.  Data analysis revealed that temperature has the dominant influence on the H$_2$ yield, followed by space time.  The resulting ANN model, with an optimal (2–5–1) architectur

Система виявлення аномалій та моніторингу трафіку в комп’ютерних мережах

Розглянуто проблему виявлення аномалій у мережному трафіку та запропоновано комплексне рішення для підвищення рівня кібербезпеки організацій різного масштабу. Здійснено порівняльний аналіз наявних систем моніторингу та виявлення аномалій, включаючи як відкриті рішення, так і комерційні продукти.

Дослідження існуючих засобів та підходів до проведення osint в контексті інформаційної безпеки особи та держави

Досліджено сучасні засоби та підходи до проведення OSINT-аналізу відкритих джерел інформації. Ключова роль OSINT, разом з іншими методами розвідки, такими як HUMINT, IMINT, SIGINT, MASINT та GEOINT, полягає у створенні цілісного інформаційного поля, що поєднує відкриті, технічні, людські та геопросторові джерела. Постійний розвиток методологій та вдосконалення інструментів автоматизації дає змогу підвищити ефективність і точність аналізу отриманої інформації, що робить OSINT одним із найважливіших елементів сучасної розвідки.

МЕТОДОЛОГІЯ ВПРОВАДЖЕННЯ САМОНАВЧАЛЬНИХ МОДЕЛЕЙ ЗВОРОТНОГО ЗВ'ЯЗКУ В СИСТЕМИ CRM: ПОРІВНЯЛЬНИЙ АНАЛІЗ ЕФЕКТИВНОСТІ

У статті запропоновано методологію впровадження самонавчальних моделей зворотного зв'язку в системи управління взаємовідносинами з клієнтами (CRM). Досліджено основні проблеми існуючих CRM-систем, пов'язані з недостатньою адаптивністю до змін у поведінці клієнтів та обмеженими можливостями автоматичного аналізу даних. На основі аналізу сучасних підходів машинного навчання розроблено комплексну модель впровадження самонавчальних алгоритмів, що базується на трирівневій архітектурі: збір та обробка даних, аналітична обробка та адаптивна взаємодія.

The role of functional activation in neural networks in the context of financial time series analysis

Nowadays, neural networks are among the most popular analysis tools.  They are effective in solving classification, pattern recognition, and clustering problems.  This paper provides a detailed description and analysis of the operational principles of two neural networks, namely a Siamese network and a multilayer perceptron.  A model for using these neural networks in time series forecasting is proposed.  As an example, a web application was created in which the described neural networks were used to analyze the correlation between pairs of financial assets and assess t

ОЦІНКА ІНСТРУМЕНТІВ МУЛЬТИМОДАЛЬНОЇ СИНХРОНІЗАЦІЇ ДАНИХ

Постійне зростання обсягів даних вимагає розробки ефективних методів управління, обробки та зберігання інформації. Крім того, доцільно застосовувати мультимодальні підходи агрегації знань для отримання додаткових знань. Зазвичай проблема ефективної обробки мультимодальних даних пов'язана з високоякісною попередньою обробкою даних. Одним із найважливіших етапів попередньої обробки є синхронізація мультимодальних потоків даних для аналізу складних взаємодій у різних типах даних.

Application of the Bayesian approach to modeling credit risks

A computer model for analyzing, evaluating, and forecasting bank credit risks has been developed.  Utilizing a Bayesian network (BN) and established parameter estimation methods, this model was implemented in the Python programming language.  It predicts the probability that a borrower may fail to meet financial obligations, such as repaying a loan.

Комп’ютерне моделювання логістичної регресії для бінарної класифікації

У цій статті розглянуто практичні аспекти застосування логістичної регресії для бінарної класифікації даних. Логістична регресія визначає імовірність належності об’єкта до одного із двох класів. Ця імовірність обчислюється за допомогою сигмоїдної функції, аргументом якої є лінійна згортка вектора ознак об’єкта із ваговими коефіцієнтами, отриманими у ході мінімізації логарифмічної функції втрат. Прогнозовані мітки класу визначаються порівнянням обчисленої імовірності із заданим пороговим значенням.

Використання технологій Big Data в галузі електротранспорту

У контексті критичних викликів, пов’язаних із глобальним потеплінням і необхідністю зниження вуглецевого відбитку, сектор електромобілів переживає значне зростання. Цей прогрес неминуче приводить до потреби в розширенні та модернізації інфраструктури зарядних станцій. У цій статті детально проаналізовано, як технології опрацювання великих даних можуть сприяти оптимізації використання цієї інфраструктури, ефективності зарядних станцій та розробленню персоналізованих сервісів для користувачів електромобілів.

Математична модель логістичної регресії для бінарної класифікації. Ч. 2. Процеси підготовки, навчання і тестування даних

У цій статті розглянуто теоретичні аспекти логістичної регресії для бінарної класифікації даних, включаючи процеси підготовки даних, навчання, тестування та показники оцінювання моделей.

Сформульовано вимоги до вхідних наборів даних, описано способи кодування категоріальних даних, визначено та обґрунтовано способи масштабування вхідних ознак.