Книжкові видання та компакт-диски Журнали та продовжувані видання Автореферати дисертацій Реферативна база даних Наукова періодика України Тематичний навігатор Авторитетний файл імен осіб
|
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
Пошуковий запит: (<.>A=Орленко Н$<.>) |
Загальна кількість знайдених документів : 22
Представлено документи з 1 до 20
|
| |
1. |
Орленко Н. А. Структурні елементи фізичної підготовки майбутніх пілотів у процесі навчання в НАУ [Електронний ресурс] / Н. А. Орленко, В. О. Акімова, Т. М. Совгіря, В. В. Коротя // Вісник Запорізького національного університету. Фізичне виховання та спорт. - 2013. - № 1. - С. 51-55. - Режим доступу: http://nbuv.gov.ua/UJRN/Vznu_FViS_2013_1_13
| 2. |
Орленко Н. А. Дослідження психолого-педагогічних аспектів впливу фізичної підготовленості на безпеку польоту [Електронний ресурс] / Н. А. Орленко, Н. І. Турчина, В. А. Івахін, Л. П. Черниш // Науковий часопис [Національного педагогічного університету імені М. П. Драгоманова]. Серія 15 : Науково-педагогічні проблеми фізичної культури (фізична культура і спорт). - 2014. - Вип. 2. - С. 68-73. - Режим доступу: http://nbuv.gov.ua/UJRN/Nchnpu_015_2014_2_13
| 3. |
Орленко Н. А. Інтегративна фізична підготовка як основа професійної освіти майбутніх пілотів [Електронний ресурс] / Н. А. Орленко, Т. І. Ракитіна, О. С. Харун, Л. О. Шип // Вісник Чернігівського національного педагогічного університету. Сер. : Педагогічні науки. Фізичне виховання та спорт. - 2014. - Вип. 118(1). - С. 257-260. - Режим доступу: http://nbuv.gov.ua/UJRN/VchdpuPN_2014_118(1)__57
| 4. |
Орленко Н. С. Прогнозування обсягу продажів у збалансованій системі показників [Електронний ресурс] / Н. С. Орленко, І. В. Науменко // Бізнес Інформ. - 2013. - № 10. - С. 122-125. - Режим доступу: http://nbuv.gov.ua/UJRN/binf_2013_10_23 Виникла проблема визначення та застосування математичних моделей прогнозування обсягів продажу в збалансованій системі показників. Досліджено структурний підрозділ підприємства і планування, визначено основні моделі планування обсягів продажу. Обгрунтовано доцільність застосування моделі, яка основана на методі прогнозування попиту на товари (послуги) сезонного споживання і товари довгострокового використання, щодо планування обсягів продажів підприємства з ремонту вагонів.
| 5. |
Старостенко В. И. Проблемы сохранения архитектурного наследияи сторического центра Киева в условиях возрастающего эколого-техногенного риска [Електронний ресурс] / В. И. Старостенко, А. Е. Антонюк, М. Г. Демчишин, А. П. Дышлык, А. В. Кендзера, П. И. Кривошеев, С. П. Левашов, В. И. Лялько, Ю. А. Маслов, И. В. Матвеев, А. Г. Мычак, В. Д. Омельченко, Н. И. Орленко, В. Ф. Рыбин, Ю. С. Слюсаренко, Н. Х. Соковнина, О. М. Теременко // Геофизический журнал. - 2011. - Т. 33, № 6. - С. 3-14. - Режим доступу: http://nbuv.gov.ua/UJRN/gfj_2011_33_6_2
| 6. |
Лещук Н. В. Практичні аспекти застосування статистичного аналізу кількісних ознак сортів салату посівного var. capitata L. [Електронний ресурс] / Н. В. Лещук, Н. С. Орленко // Plant Varieties Studying and Protection. - 2017. - Т. 13, № 3. - С. 313-322. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2017_13_3_16
| 7. |
Лещук Н. В. Порівняльний аналіз статистичних програмних продуктів для кваліфікаційної експертизи сортів рослин на придатність до поширення [Електронний ресурс] / Н. В. Лещук, К. М. Мажуга, Н. С. Орленко, Є. М. Стариченко, Є. А. Шкапенко // Plant Varieties Studying and Protection. - 2017. - Т. 13, № 4. - С. 429-435. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2017_13_4_16
| 8. |
Ковчі А. Л. Сучасні інформаційні технології як інструмент прозорості проведення кваліфікаційної експертизи сортів рослин [Електронний ресурс] / А. Л. Ковчі, Н. С. Орленко, О. В. Іськова // Агросвіт. - 2018. - № 10. - С. 12-16. - Режим доступу: http://nbuv.gov.ua/UJRN/agrosvit_2018_10_4
| 9. |
Балан Г. О. Аналіз фітосанітарного стану посівів різних сортів сої в умовах Південного Степу України [Електронний ресурс] / Г. О. Балан, С. О. Ткачик, Н. C. Орленко, О. В. Бушулян // Plant Varieties Studying and Protection. - 2018. - Т. 14, № 3. - С. 295-301. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2018_14_3_8
| 10. |
Лещук Н. В. Визначення критеріїв відмінності, однорідності та стабільності нових сортів салату ромен Lactuca sativa var. longifolia L. [Електронний ресурс] / Н. В. Лещук, Н. С. Орленко, Н. В. Симоненко, О. В. Хареба // Plant Varieties Studying and Protection. - 2018. - Vol. 14, № 4. - С. 339-346. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2018_14_4_3
| 11. |
Васьківська С. В. Особливості формування ринку сої культурної в Україні [Електронний ресурс] / С. В. Васьківська, Н. С. Орленко, С. О. Ткачик, Л. В. Худолій // Plant Varieties Studying and Protection. - 2018. - Vol. 14, № 4. - С. 422-430. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2018_14_4_13
| 12. |
Мельник С. І. Особливості формування ринку національних сортових ресурсів винограду справжнього (Vitis vinifera L.) [Електронний ресурс] / С. І. Мельник, Н. С. Орленко, В. М. Матус, К. М. Мажуга, А. Н. Керімов // Plant Varieties Studying and Protection. - 2019. - Т. 15, № 2. - С. 206-211. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2019_15_2_14
| 13. |
Лещук Н. В. Інформаційно-технічні особливості тесту на відмінність нових сортів Lactuca sativa L. var. capitata [Електронний ресурс] / Н. В. Лещук, Н. С. Орленко, О. В. Хареба // Plant Varieties Studying and Protection. - 2019. - Т. 15, № 3. - С. 241-248. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2019_15_3_5
| 14. |
Орленко Н. С. Особливості використання засобів machine learning під час ідентифікації подібних сортів рослин (на прикладі Lactuca sativa L. var. сapitata) [Електронний ресурс] / Н. С. Орленко, Н. В. Лещук, Н. В. Симоненко, М. М. Таганцова, О. А. Стадніченко // Вісник Полтавської державної аграрної академії. - 2019. - № 4. - С. 233-240. - Режим доступу: http://nbuv.gov.ua/UJRN/VPDAA_2019_4_32 Розглянуто технологічні підходи до використання засобів Machine Learning під час ідентифікації нових сортів сільськогосподарських рослин на підставі набору даних загальновідомих сортів, алгоритм найближчого сусіда. Мета роботи - розроблення прикладу застосування методу машинного навчання та оцінювання придатності його використання під час оброблення даних кодів прояву морфологічного опису сортів рослин. Під час дослідження використано й аналітичний та статистичний методи. Дослідження проведено на прикладі даних морфологічного опису сортів Lactuca sativa L. var. capitatа. Опробована інформаційна технологія використання засобів машинного навчання для формування комп'ютерної моделі подібних сортів салату посівного головчастого з використанням статистичного пакету IBM SPSS Statistics. У результаті експерименту з комп'ютерною моделлю навчання встановлено, що найбільш точні результати класифікації отримано з використання ознаки розмір головки салату посівного головчастого як цільової змінної моделі та ознаки щільність головки салату посівного як фокусну змінну. Дослідження показало придатність застосування засобу Machine Learning під час ідентифікації груп подібних сортів салату посівного головчастого за морфологічними ознаками. Пакет статистичних програм IBM SPSS Statistics є зручним у користуванні, надає досліднику широкий спектр засобів експериментування з моделлю сортів ботанічного таксону, надає змогу візуалізувати одержані результати моделювання з використання діаграм, які добре унаочнюють результати моделювання. Головна діаграма моделі є інтерактивною, що дозволяє досліднику експериментувати з моделлю. Цей метод може бути рекомендовано для використання під час оброблення даних кваліфікаційної експертизи на відмінність, однорідність та стабільність.Розглянуто технологічні підходи до використання засобів Machine Learning під час ідентифікації нових сортів сільськогосподарських рослин на підставі набору даних загальновідомих сортів, алгоритм найближчого сусіда. Мета роботи - розроблення прикладу застосування методу машинного навчання та оцінювання придатності його використання під час оброблення даних кодів прояву морфологічного опису сортів рослин. Під час дослідження використано й аналітичний та статистичний методи. Дослідження проведено на прикладі даних морфологічного опису сортів Lactuca sativa L. var. capitatа. Опробована інформаційна технологія використання засобів машинного навчання для формування комп'ютерної моделі подібних сортів салату посівного головчастого з використанням статистичного пакету IBM SPSS Statistics. У результаті експерименту з комп'ютерною моделлю навчання встановлено, що найбільш точні результати класифікації отримано з використання ознаки розмір головки салату посівного головчастого як цільової змінної моделі та ознаки щільність головки салату посівного як фокусну змінну. Дослідження показало придатність застосування засобу Machine Learning під час ідентифікації груп подібних сортів салату посівного головчастого за морфологічними ознаками. Пакет статистичних програм IBM SPSS Statistics є зручним у користуванні, надає досліднику широкий спектр засобів експериментування з моделлю сортів ботанічного таксону, надає змогу візуалізувати одержані результати моделювання з використання діаграм, які добре унаочнюють результати моделювання. Головна діаграма моделі є інтерактивною, що дозволяє досліднику експериментувати з моделлю. Цей метод може бути рекомендовано для використання під час оброблення даних кваліфікаційної експертизи на відмінність, однорідність та стабільність.
| 15. |
Орленко Н. С. Порівняльний аналіз ієрархічних методів кластерізації придатних для оброблення даних морфологічних ознак сортів рослин [Електронний ресурс] / Н. С. Орленко, К. М. Мажуга, М. Б. Душар, В. В. Маслечкін // Вісник Полтавської державної аграрної академії. - 2019. - № 2. - С. 261-269. - Режим доступу: http://nbuv.gov.ua/UJRN/VPDAA_2019_2_37 Незважаючи на те, що кластеризація є безконтрольною класифікацією багатовимірних даних у відповідні кластери, застосування кластерного аналізу під час дослідження морфологічних характеристик сортів рослин дозволяє зменшити розмірність вибірки даних, що сприяє більш точній ідентифікації нових сортів. Саме тому важливим питанням є порівняння результатів кластеризації із застосуванням різних методів і метрик та виявлення найбільш придатних для аналізу морфологічних характеристик. Методи: аналітичний, математичний, статистичний, графічний. Під час виконання досліджень використано широко відомий набір даних, що має назву Іриси Фішера. Досліджено вплив на результат кластерного аналізу різних ієрархічних агломеративних методів класифікації (ближнього сусіда, дальнього сусіда, середнього зв'язку, середнього сусіда (центроїда) та метода Варда) із застосуванням евклідових та не евклідових метрик. Оцінено результати кластерізації з використанням засобів описової статистики (методу перехресних таблиць). Встановлено, що найбільш придатними для проведення кластеризації за морфологічними характеристиками для наборів даних, які описуються метричними шкалами є методи: середнього зв'язку (між групами) із застосуванням кореляції Пірсона, середнього зв'язку (всередині групи) із застосуванням метрик Косінус та кореляції Пірсона, а також методу Варда із застосуванням метрики Косінус. Запропоновано використовувати апарат частотної статистики (перехресні таблиці) для оцінювання якості результатів класифікації. Висновки: проведене тестування довело, що не існує жодного універсального алгоритму, який би ідеально розподілив набір Ірисів Фішера на кластери. Не зважаючи на те, що встановлено методи й метрики, які є найбільш вдалими для класифікації протестованого набору даних, ці методи не можна рекомендувати для використання під час тестування морфологічних ознак усіх ботанічних таксонів. Кластеризацію сортів рослин потрібно проводити ітераційно, послідовно застосовуючи найбільш поширені алгоритми кластеризації та ретельно оцінювати результати кластеризації з метою вибору метода та метрики, які найбільш оптимально класифікують сорти рослин та дозволять правильно інтерпретувати результати класифікації. Результати такої кластеризації рекомендовано оцінювати з використанням методу перехресних таблиць та обирати кращий за якістю кластерів.
| 16. |
Орленко Н. С. Ідентифікація сортів гречки їстівної Fagopyrum esculentum Moench за морфологічними ознаками з використанням алгоритму найближчих сусідів [Електронний ресурс] / Н. С. Орленко, С. М. Гринів, С. П. Лікар, М. С. Юшкевич // Plant Varieties Studying and Protection. - 2020. - Т. 16, № 2. - С. 137-143. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2020_16_2_4
| 17. |
Мельник С. І. Особливості фіксації метеорологічних умов у сховищі даних кваліфікаційної експертизи сортів рослин [Електронний ресурс] / С. І. Мельник, Н. В. Лещук, Н. С. Орленко, Є. М. Стариченко, К. М. Мажуга, Є. А. Шкапенко // Plant Varieties Studying and Protection. - 2021. - Т. 17, № 3. - С. 254-261. - Режим доступу: http://nbuv.gov.ua/UJRN/stopnsr_2021_17_3_12
| 18. |
Орленко Н. С. Особливості сховища даних та оброблення результатів кваліфікаційної експертизи сортів рослин [Електронний ресурс] / Н. С. Орленко, М. К. Карпич, І. В. Коховська // Таврійський науковий вісник. Сільськогосподарські науки. - 2018. - Вип. 101. - С. 85-91. - Режим доступу: http://nbuv.gov.ua/UJRN/tnveconn_2018_101_15
| 19. |
Орленко Н. С. Аналіз урожайності та якісних характеристик нових сортів сої культурної (Glycine Max (L.) Merrill) [Електронний ресурс] / Н. С. Орленко, Н. П. Костенко, С. П. Лікар, М. Б. Душар // Таврійський науковий вісник. Сільськогосподарські науки. - 2019. - Вип. 106. - С. 110-118. - Режим доступу: http://nbuv.gov.ua/UJRN/tnveconn_2019_106_18
| 20. |
Орленко Н. С. Формування груп подібних за морфологічними ознаками сортів гречки їстівної (Fagopyrum esculentum Moench) [Електронний ресурс] / Н. С. Орленко, Н. П. Костенко, М. Б. Душар // Таврійський науковий вісник. Сільськогосподарські науки. - 2020. - Вип. 112. - С. 130-135. - Режим доступу: http://nbuv.gov.ua/UJRN/tnveconn_2020_112_20
| | |
|
|