глибоке навчання

Проведено формалізацію математичних моделей спотворень цифрових зображень, що виникають при аерофотозйомці з бортових систем безпілотних літальних апаратів та істотно впливають на точність і достовірність алгоритмів автоматизованого виявлення й класифікації візуальних об’єктів у складному зовнішньому середовищі. Запропоновано узагальнену схему класифікації спотворень, яка враховує джерела їх виникнення та розподіляє дефекти на апаратно-оптичні, динамічні та зовнішні фактори, що зумовлюють структурну нестабільність вхідних фотоданих.

The application of deep learning models for forecasting solar energy generation is considered.  An analysis and comparison of the efficiency of recurrent (LSTM, GRU), convolutional (CNN), and temporal convolutional networks (TCN) for forecasting time series of solar energy generation were conducted.  The possibility of improving forecasting accuracy by constructing a hybrid model combining ARIMA and CNN was explored.  The results of experiments for different EU countries are presented, and a comparison of models in terms of forecasting accuracy and computational efficiency is performed as w

У роботі досліджено моделі та методи визначення хвороб винограду із використанням сучасних методів штучного інтелекту. Проаналізовано відомі методології класифікації та розпізнавання за зображеннями хвороб винограду з використання нейронних мереж. Виділено низку проблем щодо покращення результатів розпізнавання.

Високопродуктивне й ефективне планування замовлень – поширена комбінаторна оптимізаційна задача, що виникає в різноманітних контекстах. Побудова моделі, здатної формувати збалансовані за якістю та обчислювальними витратами розклади, – істотний виклик через масштабний простір допустимих дій. У роботі запропоновано високопродуктивне середовище та модель навчання з підкріпленням для розподілу замовлень на ресурси із маскуванням недопустимих дій.

В роботі досліджено проблему передбачення зміни станів користувачів (зокрема відтоку) на основі сесійних даних із використанням глибинних нейронних мереж. Було розглянуто застосування моделей довгої короткочасної пам’яті та згорткових нейронних мереж, а також використання кодування пар байтів для попереднього опрацювання даних. Проведено аналіз функціоналу розробленої інформаційної системи для прогнозування зміни стану користувачів та інтерпретації моделей прогнозування, яка поєднує методи аналізу даних, побудови прогнозних моделей та пояснення отриманих результатів.

Стрімке поширення технології Інтернету речей (IoT) призвело до безпрецедентного росту обсягів неоднорідних даних з розподілених пристроїв. Цей величезний потік даних робить все більш важливим впровадження надійних і ефективних методів виявлення аномалій в режимі реального часу, які можуть попередити про проблеми у розподілених системах. Виявлення аномалій даних є критично важливим у сучасному світі, оскільки воно дозволяє на ранній стадії виявляти відхилення, які можуть свідчити про збої в роботі системи, порушення безпеки або операційну неефективність.