Розглянуто проблему об'єднання моделей ПрО. Запропоновано зіставляти об'єкти ПрО на основі значень властивостей екземплярів цих об'єктів. Методи зіставлення властивостей розрізняються в залежності від типу шкал, в яких вимірюються їх значення. Зпропоновано порівнювати властивості числового типу даних методами k-means, гістограм, а також перевірити збіг закону розподілу значень властивостей. За сукупністю ознак прийняти рішення про подібність порівнюваних властивостей.

Традиційною схемою роботи з нейронними мережами (НМ) до недавнього часу було завдання архітектури НМ та її подальше навчання. Однак останні дослідження в цій області показали, що задані та налаштовані таким чином НМ мають значну надмірність. Тому додатковою операцією стала ліквідація цієї надмірності за рахунок проріджування зв'язків в архітектурі НМ. Серед безлічі підходів до ліквідації надмірності найбільш перспективним представляється спільне використання декількох методів, коли їх сумарний ефект перевищує суму ефектів одиночного використання кожного з них. Проведено експериментальне дослідження ефективності спільного використання ітераційного проріджування та передобробки (предіскаженій) вхідних даних у задачі розпізнавання рукописних цифр за допомогою багатошарового персептрона. Показано, що використання передобробки вхідних даних регуляризує процедуру навчання НМ, запобігаючи її перенавчання. Спільне використання ітераційного проріджування і предобробки вхідних даних надало можливість отримати меншу помилку розпізнавання рукописних цифр - 1,22 % у порівнянні з використанням тільки проріджування (помилка зменшилася з 1,89 до 1,81 %) і з використанням тільки предіскаженій (помилка зменшилася з 1,89 до 1,52 %). Крім цього регуляризація за рахунок предіскаженій надає можливість отримати монотонно збільшувальну кількість відключених зв'язків у разі збереження помилки на рівні 1,45 %. Отримані криві навчання для однієї і тієї ж задачі, які відповідають початку навчання з різних початкових умов, мають різні значення як в процесі навчання, так і в кінці. Це свідчить про багатоекстремальність функції якості - точності розпізнавання. Практичне використання цього полягає в пропозиції проводити багаторазове навчання НМ із вибором найкращого результату.

Мета роботи - вирішення задачі об'єднання реляційних гетерогенних баз даних на базі інтеграційних моделей (ІМ) окремих предметних областей (ПО). Запропоновано методи аналізу об'єктів та їх властивостей у разі об'єднання моделей ПО, метод об'єднання ІМ окремих ПО на підставі узгоджених рангових оцінок об'єктів і значень їх типізованих суттєвих властивостей. Удосконалено модель об'єкта ПО, яка на відміну від класичної враховує важливі при об'єднанні інтеграційні складові: множини значень узгоджених рангів властивостей і визначено на їх основі множини типізованих суттєвих і несуттєвих властивостей об'єкта та їх значень. Удосконалено модель ПО, яка на відміну від існуючої враховує визначені сценарій об'єднання та узгоджені рангові оцінки об'єктів. На основі запропонованих моделей і методів розроблено інформаційну технологію об'єднання реляційних гетерогенних баз даних, що надала можливість збільшити достовірність визначення об'єктів ПО та їх властивостей, що підлягають об'єднанню, з одночасним зменшенням кількості операцій їх зіставлення при автоматизованому створенні об'єднаної ІМ ПО.

Показано, що продуктивність систем дистанційного навчання (СДН) істотно залежить від, обраного при її проектуванні, архітектурного рішення по зберіганню та обробці даних. На підставі аналізу еволюції серверних архітектурних рішень, при проектуванні інформаційних систем, починаючи з побудови монолітної платформи до розподілених мікросервісів встановлено, що використання архітектури мікросервісів для серверної частини з ізоляцією компонентів на рівні коду та розподілу на рівні баз даних (БД), є хорошим рішенням при проектуванні високопродуктивних комплексних СДН. Однак, для реалізації багатоваріантного зберігання даних у СДН на основі декількох БД із різними логічними моделями на стороні сервера необхідно розробити інформаційну технологію підтримки таких архітектурних рішень. Показано, що розробка БД для таких систем як СДН, що оперують великим обсягом різноманітної інформації, складається з етапів концептуального логічного та фізичного моделювання і саме при створенні логічних моделей визначаються вимоги до зберігання та обробки даних, якими оперують виділені сутності для реалізації бізнес функцій. Проаналізовано особливості використання реляційних і нереляційних систем управління БД таких як: документні, ключ-значення, графові і колонкові сховища. Розроблено методику автоматизованого підбору логічних моделей даних на основі вихідної інформації про обмежений контекст, на основі якої в подальшому було розроблено класифікатор. Працездатність класифікатора перевірено на наборі даних для 230 сутностей. В результаті проведення експерименту достовірність класифікації склала 93 %. Переваги розробленої інформаційної технології підтримки архітектурних рішень по організації багатоваріантного зберігання різноманітних даних показано на прикладі проектування СДН JustStart. Аналіз результатів навантажувального тестування розробленої системи показує, що завдяки розподілу навантаження між трьома базами даних, її середній час відгуку за одночасної роботи 150 користувачів становить близько 1,2 с. У той час як, при моделюванні роботи цієї кількості користувачів тільки з однією системою управління БД час відгуку збільшився та становив в середньому близько 2,6 с. Таким чином, використання розробленої інформаційної технології підтримки архітектурних рішень по організації багатоваріантного зберігання великих обсягів різноманітних даних, надало можливість спроектувати та реалізувати СДН, швидкодія якої в разі її одночасного використання численною аудиторією в середньому в 2 рази більше, ніж у середньостатистичного освітнього ресурсу, представленого на ринку.