Стаття присвячена дослідженню застосування методів машинного навчання та штучного інтелекту для автоматизації контролю якості в поліграфічному виробництві. Актуальність дослідження зумовлена зростаючими вимогами до якості друкованої продукції, скороченням накладів, збільшенням різноманітності замовлень та необхідністю мінімізації браку в умовах високошвидкісного друку.
This paper investigates intelligent models and methods for automated knowledge assessment and academic integrity analysis in digital educational platforms. The rapid spread of generative artificial intelligence tools has created new challenges for existing e-learning systems, which are primarily oriented toward result-based evaluation rather than process analysis. An integrated approach combining behavioral, textual, and statistical features of student learning activity has been proposed.
Стаття поширюється за ліцензією Creative Commons Attribution-NonCommercial 4.0 (CC BY-NC 4.0)
Стаття поширюється за ліцензією Creative Commons Attribution-NonCommercial 4.0 (CC BY-NC 4.0)
Стаття поширюється за ліцензією Creative Commons Attribution-NonCommercial 4.0 (CC BY-NC 4.0)
У статті розглянуто методи та засоби розпізнавання облич у відеопотоці даних із використанням елементів машинного навчання. Системи розпізнавання облич широко застосовуються у відеоспостереженні, системах контролю доступу, біометричній ідентифікації та інтелектуальних інформаційних системах. Проаналізовано основні підходи до ідентифікації осіб на основі методів комп’ютерного зору, зокрема методу головних компонент (PCA), метод локальних бінарних шаблонів та методу лінійного дискримінантного аналізу (LDA, Fisherfaces). Описано принципи формування ознак облич та алгоритми їх класифікації.
Формування проєктних команд, розподіл ресурсів, оцінювання компетентностей спеціалістів та прогнозування результатів виконання проєктів пов’язані з необхідністю аналізу значної кількості взаємопов’язаних факторів. Традиційні підходи до управління IT-проєктами часто базуються на експертних оцінках і досвіді менеджерів, що може призводити до суб’єктивності прийняття рішень і зниження ефективності роботи команд.
У статті досліджено обмеження сучасних підходів до прогнозування часових рядів у складних динамічних та нелінійних процесах, структура яких може складатися з різних типів даних. Актуальність роботи зумовлена стрімким зростанням обсягів даних в інформаційних системах, їхньою різноманітністю та необхідністю підвищення точності прогнозування в умовах нестаціонарності та багатофакторного впливу.
Метою дослідження є аналіз сучасних методів прогнозування часових рядів, визначення їхніх обмежень, а також узагальнення цих обмежень у вигляді класифікації та їх формалізоване порівняння.
У цій статті розглянуто гібридну модель квантової логістичної регресії для бінарної класифікації даних, яка поєднує класичні методи логістичної регресії з квантовими обчисленнями з метою підвищення ефективності та прискорення процесу навчання.
У роботі розглянуто проблему прогнозування екстремальних температурних явищ як одну з ключових складових забезпечення стійкості функціонування сучасних природно-техногенних та соціально-економічних систем в умовах кліматичних змін. Актуальність дослідження зумовлена зростанням частоти та інтенсивності аномально високих і низьких температур, що спричиняють суттєві ризики для енергетичної інфраструктури, транспортних систем, агропромислового комплексу та безпеки населення.