машинне навчання

Проаналізовано сучасні підходи до побудови інтелектуальних транспортних систем (ІТС) з метою оптимізації міського трафіку. Особливу увагу приділено алгоритмам безмодельного навчання з підкріпленням (Q-Learning і Deep Q-Learning), що застосовуються для керування сигналами світлофорів у динамічних умовах дорожнього руху. За результатами симуляцій у середовищі SUMO доведено, що впровадження таких алгоритмів забезпечує суттєве зменшення черг на перехрестях і підвищує пропускну здатність транспортної мережі.

У статті досліджено трансформаційний вплив цифрових технологій на функціону- вання ринку енергетичних напоїв в умовах інтенсифікації цифровізації глобального біз- нес-середовища. Сформульовано ключові напрямки впровадження цифрових інструмен- тів у маркетингові, логістичні та комунікаційні процеси компаній, а також обґрунтовано значення Big Data, штучного інтелекту (AI), технологій IoT та блокчейну в оптимізації бі- знес-процесів і підвищенні конкурентоспроможності виробників.

У статті запропоновано інноваційний підхід до оптимізації маршрутизації в розподілених мережах із використанням методів машинного навчання, зокрема підкріплювального навчання. Використання цього підходу дозволяє значно підвищити ефективність керування потоками даних, оскільки алгоритм адаптивно визначає оптимальні шляхи передачі на основі поточного стану мережі. Це сприяє зменшенню затримок, покращенню використання пропускної здатності та підвищенню загальної продуктивності мережевої інфраструктури.

У статті розглядаються сучасні методи застосування машинного навчання та рекомендаційних систем для аналізу настроїв користувачів в інформаційно-комунікаційних середовищах. Соціальні мережі та цифрові платформи стали важливими джерелами громадської думки, щодня генеруючи великі обсяги текстових даних. Традиційні методи аналізу, такі як словникові методи або класичні алгоритми машинного навчання, мають обмеження щодо визначення контексту, сарказму, сленгу та емоційних відтінків тексту. Це ускладнює точне визначення емоцій користувачів і соціально значущих тем.

Класифікація аномалій з використанням Протоколу Граничного Шлюзу (BGP) є важливою для забезпечення стабільності та безпеки Інтернету, оскільки такі аномалії можуть порушувати роботу та надійність мережі. У попередніх дослідженнях цієї предметної області було проаналізовано вплив базових характеристик повідомлень оновлення BGP на моделі виявлення аномалій, проте описані підходи часто використовують методи з високою обчислювальною складністю, важкі для розуміння та можуть викликати труднощі при заміні наборів даних чи тренувальних моделей.

Зростаюча складність кіберзагроз вимагає розробки ефективних методів виявлення та класифікації атак у мережевому трафіку. У даному дослідженні проаналізовано ефективність трьох популярних алгоритмів машинного навчання: Random Forest, який використовується для виявлення аномалій, Support Vector Machines (SVM), що виконує класифікацію кіберзагроз, та автоенкодерів, які застосовуються для попередньої обробки даних та глибокого аналізу трафіку.