машинне навчання

MACHINE LEARNING-BASED PREDICTION OF ELECTRIC VEHICLE REMAINING RANGE WITH CONSIDERATION OF BATTERY DEGRADATION

Accurate prediction of the remaining driving range in electric vehicles (EVs) is critical for efficient trip planning, reducing the risk of battery depletion, and improving user experience. One of the significant challenges in achieving high prediction accuracy is battery degradation, which gradually reduces battery capacity and impacts the vehicle’s range. This study uses machine learning algorithms to investigate the impact of incorporating battery degradation—expressed through the State of Health (SoH) indicator—into range prediction models.

Advanced Approaches for Vulnerability Detection in Solidity-Based Smart Contracts: A Comparative Review

With the advancement of blockchain technology, Solidity-based smart contracts have become essential for automating and securing digital transactions across various sectors, from finance to supply chain management.  These contracts enable decentralized exchanges without intermediaries, enhancing transparency.  However, their immutable nature poses security challenges: any flaw in the code becomes permanent, exposing contracts to attacks and leading to financial and reputational losses.  This paper provides a comparative analysis of recent machine learning (ML) and deep l

Комп’ютерне моделювання експериментальних даних при стиковому зварюванні армуючих профілів

У статті представлено результати математичного та комп’ютерного моделювання процесу стикового зварювання оцинкованих сталевих штаб, з яких формували армувальні профілі, що використовуються у виробництві металопластикових вікон. Актуальність дослідження зумовлена необхідністю підвищення якості з’єднань та стабільності виробничих процесів у галузі віконного виробництва. Основною метою роботи є побудова моделей, здатних з високою точністю прогнозувати міцність профілю у місті зварного з’єднання на основі ключових параметрів зварювання.

Аналіз та адаптивна корекція траєкторій навчання за допомогою агентів

У цій статті пропонується нова архітектура багатоагентної системи та її формальна специфікація для аналізу та адаптивної корекції навчальних траєкторій студентів за допомогою програмних агентів у цифрових навчальних середовищах. Запропонований підхід інтегрує інструменти штучного інтелекту, часову логіку та багатоагентну системну архітектуру для забезпечення персоналізованої адаптації освітнього контенту.

Інформаційні технології корекції помилок в україномовних текстах з використанням методів машинного навчання

Актуальність дослідження зумовлена зростаючою потребою в автоматизації процесів аналізу та корекції текстів, зокрема для україномовного контенту, який відзначається багатством морфологічної і синтаксичної структури. Через широкий спектр помилок, що можуть виникати у текстах, від орфографічних до контекстуальних, існує нагальна потреба у створенні систем, здатних точно ідентифікувати помилки та пропонувати їх коректні виправлення. Специфіка української мови, включаючи складність її граматики та багатогранність, потребує адаптації моделей машинного навчання до локальних особливостей.

ГЛИБША ІНТЕГРАЦІЯ WASM ЗІ AI/ML: СПРИЯННЯ ВИСОКОПРОДУКТИВНИМ МОДЕЛЯМ ШТУЧНОГО ІНТЕЛЕКТУ ТА МАШИННОГО НАВЧАННЯ В МІКРОФРОНТЕНД-ЗАСТОСУНКАХ

WebAssembly (WASM) has emerged as a compelling and transformative solution for executing high- performance Artificial Intelligence (AI) and Machine Learning (ML) models directly within frontend web applications. Traditionally, AI/ML model deployment has been dominated by backend servers due to significant computational demands, coupled with the performance limitations of JavaScript and the overhead of client-server communication.

The impact of activation functions on LTSM server load prediction accuracy: machine learning approach

The continuously growing number of users and their requests to the server demands substantial resources to ensure fast responses without delays.  However, server load is inherently unevenly distributed throughout the day, week, or month.  Accurately predicting the required resources and dynamically managing their allocation is crucial, as it can lead to significant cost savings in server maintenance without compromising the user experience.  This study investigates the influence of activation function choice on the forecasting accuracy of Long Short-Term Memory (LSTM) n

ВИЗНАЧЕННЯ ХВОРОБ ВИНОГРАДУ ЗА ЗОБРАЖЕННЯМ З ВИКОРИСТАННЯМ МЕТОДІВ ШТУЧНОГО ІНТЕЛЕКТУ

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.

МЕТОД ПОШУКУ ПРОГРАМНОГО КОДУ У ПУБЛІЧНИХ СИСТЕМАХ КОНТРОЛЮ ВЕРСІЙ ЗА ЗНАЧЕННЯМИ МЕТРИКИ WMC

У роботі досліджено взаємозв’язок між популярністю репозиторіїв з відкритим кодом та їхньою якістю, оціненою за допомогою статичних метрик якості коду. Основну увагу звернено на визначення ключових показників для двох різних парадигм, а саме функціонального та об’єктно-орієнтованого програмування. Кінцевою метою дослідження є розроблення ефективного методу пошуку коду для виявлення високоякісних репозиторіїв GitHub, щоб забезпечити баланс між популярністю репозиторію та якістю коду для подальшого його використання у навчанні моделей машинного навчання.

Artificial intelligence in penetration testing: leveraging AI for advanced vulnerability detection and exploitation

The article examines the ways artificial intelligence is influencing the penetration testing procedure. As technology advances and cyber threats grow more com- mon, conventional testing methods are insufficient. Artificial intelligence aids in automating processes like vulnerability detection and real-world attack simulation, leading to quicker, more precise results with reduced dependence on human input. Machine learning is a game-changer in identifying hidden security flaws by analyzing past attacks and abnormal patterns.