Простийпошук |
Розширенийпошук |
Покажчики
|
Професійний пошук |
Рубрикатор НБУВ |
Розподілений пошук |
Бази даних
Наукова періодика України - результати пошуку
Книжкові видання та компакт-дискиЖурнали та продовжувані виданняАвтореферати дисертаційРеферативна база данихНаукова періодика УкраїниТематичний навігаторАвторитетний файл імен осіб
 |
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
| Знайдено в інших БД: | Книжкові видання та компакт-диски (9) | Автореферати дисертацій (1) | Реферативна база даних (14) |
Список видань за алфавітом назв: Авторський покажчик Покажчик назв публікацій  |
Пошуковий запит: (<.>A=Рибальченко О$<.>) | |||
|
Загальна кількість знайдених документів : 13 Представлено документи з 1 до 13 |
|||
| 1. | 
Шаповалова Н. Н. Порівняльний аналіз методів оптимізації функціоналу якості моделей машинного навчання [Електронний ресурс] / Н. Н. Шаповалова, О. Г. Рибальченко, Д. І. Куропятник // Вісник Криворізького національного університету. - 2018. - Вип. 46. - С. 104-111. - Режим доступу: http://nbuv.gov.ua/UJRN/Vktu_2018_46_23 Мета роботи - визначити ефективність методів оптимізації функціоналу якості моделей машинного навчання в залежності від виду критерію оцінки якості алгоритму, розміру навчальної вибірки, порівняти методи за критеріями стабільності отримання рішення та обчислювальної складності, розробити рекомендації по застосуванню розглянутих методів за певних початкових умов задачі багатовимірної оптимізації. Вибір методу оптимізації оціночного функціоналу на етапі формування математичної моделі є важливим фактором ефективності побудованої алгоритму машинного навчання, зокрема за умов багатофакторних цільових функцій та великих обсягів навчальної вибірки. Загальноприйнятні в практиці машинного навчання методи оптимізації функціоналу якості не завжди враховують вид цільової функції, що призводить до значного зростання часу навчання моделі та зниження її якості в цілому. Використано числовий експеримент навчання регресійних моделей і системний аналіз методів пошуку оптимальних значень параметрів критерію якості задач класу навчання по прецедентах: градієнтного спуску, симплексметоду Нелдера-Міда, імітації відпалу, генетичного алгоритму. Проведено порівняння ефективності методів багатовимірної оптимізації та аналіз доцільності їх застосування до різних типів оптимізаційних функцій в машинному навчанні на різних обсягах навчальної вибірки. Практична значимість виконаної роботи полягає в обгрунтуванні застосування того чи іншого оптимізаційного методу в залежності від виду оціночного функціоналу якості та розміру простору ознак задачі машинного навчання, визначенні обчислювальної складності застосованих алгоритмів. Вибір методу оптимізації на етапі постановки задачі значно підвищує ефективність моделі машинного навчання. Розроблено бібліотеку optі_methods методів багатовимірної оптимізації оціночного функціоналу якості моделей задач машинного навчання для мови програмування Python 3, розроблено рекомендації щодо використання певного оптимізаційного метода в залежності від виду критерію якості навчання моделей та розміру навчальної вибірки. | ||
| 2. | 
Рибальченко О. Г. Багатопотокові обчислення в оптимізації функціоналу якості моделей машинного навчання методом імітації відпалу [Електронний ресурс] / О. Г. Рибальченко, Н. Н. Шаповалова, С. В. Білашенко // Гірничий вісник. - 2018. - Вип. 103. - С. 60-65. - Режим доступу: http://nbuv.gov.ua/UJRN/girvi_2018_103_15 Мета роботи - вивчення можливостей реалізації багатопотокових обчислень для алгоритму знаходження глобального мінімуму багатовимірної цільової функції, заснованого на стохастичному методі імітації відпалу, з метою оптимізації функціоналу якості моделей машинного навчання, вибір оптимальних значень параметрів застосування алгоритму для різних наявних обчислювальних потужностей, розроблення рекомендацій до застосування багатопотокових обчислень за певних початкових умов задачі багатовимірної оптимізації. Використано числовий експеримент задачі паралельної оптимізації оціночного функціоналу якості моделей машинного навчання з розподіленням навчальної вибірки при різному розмірі пулу потоків, на вибірках різного розміру, для гладкої та негладкої оптимізаційних функцій. Досліджена можливість використання багатопотокових обчислень з розподіленням навчальної вибірки при реалізації алгоритму знаходження глобального мінімуму багатовимірної цільової функції, заснованого на стохастичному методі імітації відпалу, та доцільність їх застосування до різних типів оптимізаційних функцій у машинному навчанні, вивчена закономірність зміни показника прискорення паралельних алгоритмів для різних обчислювальних потужностей. Практична значимість виконаної роботи полягає в обгрунтуванні доцільності застосування багатопотокових обчислень з розподіленням навчальної вибірки при реалізації алгоритму імітації відпалу для оптимізації негладких цільових функцій. Емпірично знайдено оптимальні значення параметрів проведення експерименту для наявних обчислювальних ресурсів, що дозволяє значно збільшити швидкість виконання завдання мінімізації функції помилок регресійної моделі за критеріями середньоквадратичного відхилення. Розроблено бібліотеку opti_methods методів багатовимірної оптимізації оціночного функціоналу якості моделей задач машинного навчання для мови програмування Python 3, реалізоване розподілення навчальної вибірки для різного розміру пулу потоків, знайдено оптимальні значення параметрів проведення експерименту для наявних обчислювальних ресурсів. Показано, що запропонований паралельний варіант алгоритму оптимізації методом імітації відпалу за схемою больцманівського гасіння може ефективно застосовуватися для вирішення завдань пошуку глобального мінімуму багатовимірної цільової функції. | ||
| 3. |
Білашенко С. В. Розпізнавання зображень за допомогою згорткових нейронних мереж з використанням бібліотеки Keras [Електронний ресурс] / С. В. Білашенко, Н. Н. Шаповалова, О. Г. Рибальченко // Гірничий вісник. - 2018. - Вип. 103. - С. 148-154. - Режим доступу: http://nbuv.gov.ua/UJRN/girvi_2018_103_32 Мета роботи - дослідження архітектури глибокої згорткової нейронної мережі для розпізнавання зображень, розробці алгоритму її реалізації. В ході числового експерименту необхідно обгрунтувати підбір оптимальних гіперпараметрів експлуатації моделі: швидкості навчання, кількості шарів у мережі, кількості нейронів у прихованому шарі. В ході дослідження використано метод аналізу вхідних даних, заснований на властивостях рецептивних полів біологічних нейронів, метод синтезу конвергуючих каскадів, що призводять до повноз'єднаних шарів штучної нейронної мережі, практичний метод використання певної архітектури моделі для розпізнавання зображень, емпіричний метод встановлення оптимальних значень основних гіперпараметрів навчання згорткової нейронної мережі. Запропоновано алгоритм реалізації глибокої згорткової нейронної мережі, обгрунтовано вибір навчальної множини, що відповідає критерію достатньої репрезентативності, теоретично і практично обгрунтовано підбір оптимальних гіперпараметрів навчання мережі за критерієм якості експлуатації моделі. Практична значимість виконаної роботи полягає в поліпшенні якості навчання глибоких згорткових нейронних мереж, розробці методики побудови програмної моделі системи розпізнавання зображень з використанням бібліотеки Keras для мови програмування Python 3, яка демонструє процес навчання і розпізнавання, а також дозволяє виконувати дослідження роботи згорткової нейронної мережі. Розроблено структуру штучної згорткової нейромережі, запропоновано методику побудови моделі вхідних даних та поетапної реалізації каскадів прихованих шарів мережі, алгоритм її навчання, обгрунтовано вибір навчальної вибірки. Запропоновано програмну модель згорткової нейронної мережі розпізнавання зображень на основі методів бібліотеки Keras, реалізованою мовою програмування Python 3, яка дозволила емпірично визначити основні оптимальні параметри навчання моделі такі як швидкість навчання, кількісті шарів у мережі і кількості нейронів у прихованому шарі. | ||
| 4. | 
Гуляницький Л. Ф. Формалізація та розв’язування одного типу задач маршрутизації БПЛА [Електронний ресурс] / Л. Ф. Гуляницький, О. В. Рибальченко // Теорія оптимальних рішень. - 2018. - № 17. - С. 107-114. - Режим доступу: http://nbuv.gov.ua/UJRN/Tor_2018_17_18 | ||
| 5. | 
Рибальченко О. Іншомовна комунікативна компетентність як пріоритетний напрям професійної підготовки майбутнього педагога [Електронний ресурс] / О. Рибальченко // Теоретичні й прикладні проблеми сучасної філології. - 2020. - Вип. 10(2). - С. 70-79. - Режим доступу: http://nbuv.gov.ua/UJRN/tppsf_2020_10(2)__11 Надано тлумачення поняття компетентності. Досліджено його структуру та основні складові. Важливим структурним компонентом професійної компетентності є комунікативна компетентність. Зазначено фактори, що сприяють формуванню професійної компетентності. | ||
| 6. |
Шаповалова Н. Н. Нейромережевий метод раннього виявлення DDoS-атак [Електронний ресурс] / Н. Н. Шаповалова, О. Г. Рибальченко, С. В. Білашенко, Н. Х. Саітгареєв // Вісник Криворізького національного університету. - 2020. - Вип. 50. - С. 106-112. - Режим доступу: http://nbuv.gov.ua/UJRN/Vktu_2020_50_22 Мета роботи - теоретично обгрунтувати вибір методу реалізації раннього виявлення аномального трафіка та класифікації мережевих аномалій на основі використання методів машинного навчання, розробити математичну модель штучної нейронної мережі, визначити топологію сформованої моделі і метод її навчання, розробити і протестувати відповідне програмне забезпечення, експериментально перевірити систему. Використано наступні методи дослідження: аналіз джерел з досліджуваної теми, методи теорії штучного інтелекту для проектування топології нейронної мережі, моделювання процесу навчання алгоритмів класифікації, формалізація побудованих моделей, методи проектування програмного забезпечення для розробки програмної моделі, емпіричні методи обгрунтування оптимальної архітектури моделі. Наукова новизна полягає в тому, що розроблена модель має оптимальну топологію, яка дозволяє ефективно вирішувати поставлене завдання класифікації типів мережевого трафіка, і має достатньо високу здатність до узагальнення. Створене програмне забезпечення з використанням цієї моделі дає можливість проаналізувати мережеві аномалії та виявити DDoS-атаки на ранньому етапі. Практична значимість виконаної роботи полягає в можливості точно фіксувати початок атаки, а також отримувати навчальні вибірки, які можуть бути використані для навчання нейронних мереж та інших класифікаторів, в тому числі для фільтрації небажаного трафіка. Аналіз мережевого трафіка дозволяє виявити мережеві аномалії та розрізняти аномальну або нормальну його поведінку, внаслідок чого стає можливим не обмежувати обсяг трафіка для клієнтів. Завдяки ранньому виявленні DDoS-атак та швидкому реагуванню, компанії будуть захищені від значних збитків. Запропоновано алгоритм протидії DDoS-атакам на основі нейронної мережі, обгрунтовано вибір навчальної множини, що відповідає критерію достатньої репрезентативності. Розроблена математична і програмна модель нейронної мережі для виявлення мережевих аномалій. Визначена архітектура нейронної мережі та функція активації, проведено тестування роботи розробленої програмної моделі. | ||
| 7. |
Саітгареєв Н. Х. Модель індивідуалізації контролю якості знань у системах адаптивного тестування [Електронний ресурс] / Н. Х. Саітгареєв, Н. Н. Шаповалова, О. Г. Рибальченко, І. О. Доценко // Вісник Криворізького національного університету. - 2020. - Вип. 51. - С. 52-57. - Режим доступу: http://nbuv.gov.ua/UJRN/Vktu_2020_51_11 Мета роботи - розробити і теоретично обгрунтувати ефективність застосування системи контролю знань на основі технології адаптивного тестування, яка поєднує в собі специфіку професійно-педагогічної діяльності та моніторингу якості навчання і можливість самоконтролю студентів, розробити комплекс тестових завдань з дисципліни "Системи штучного інтелекту". Використано наступні методи дослідження: аналіз джерел з досліджуваної теми, методи визначення психологічного типу людини, методи теорії штучного інтелекту для індивідуалізації контролю знань, моделювання процесу навчання алгоритмів класифікації, формалізація побудованих моделей, методи проектування програмного забезпечення для розробки програмної моделі, емпіричні методи обгрунтування оптимальних параметрів навчання моделі, методи об'єктно-орієнтованого проектування та програмування. Наукова новизна полягає в тому, що розроблена модель дозволяє на початковому етапі оцінювання якості знань студентів враховувати психотип особистості, підбирати форму подання інформації і завдань згідно особливостей сприйняття і рівню засвоєного матеріалу. Модель адаптивного контролю має достатньо високу здатність до узагальнення і може використовуватись для проведення тестування з різних галузей знань при наявності бази питань та завдань у відповідній формі. На основі розробленої моделі створено програмний модуль, який надає змогу проаналізувати ступінь засвоєності навчального матеріалу у студентів з різним рівнем підготовки і знань. Практична значимість виконаної роботи полягає в тому, що розроблено комплекс різних за рівнем складності тестів з дисципліни "Системи штучного інтелекту" для здобувачів першого (бакалаврського) рівня вищої освіти за спеціальністю 121 - "Інженерія програмного забезпечення". Комплекс тестових завдань може бути використаний для визначення якості знань із різних дисциплін циклу професійної підготовки, що передбачають опанування технологій штучного інтелекту; розроблене програмне забезпечення можливо використовувати як засіб інформаційно-комунікаційних технологій в процесі навчання будь-яких дисциплін. Запропоновано особистісно-орієнтований підхід до розробки тестових завдань, розроблено універсальну систему адаптивного контролю якості знань, а також складено комплекс предметно-орієнтованих тестових завдань різного рівня складності для поточного та модульного контролю з дисципліни "Системи штучного інтелекту" для здобувачів першого (бакалаврського) рівня вищої освіти за спеціальністю 121 - "Інженерія програмного забезпечення". | ||
| 8. | 
Рибальченко О. М. Психологічні загрози – компонент безпеки особистості [Електронний ресурс] / О. М. Рибальченко // Габітус. - 2021. - Вип. 32. - С. 104-109. - Режим доступу: http://nbuv.gov.ua/UJRN/habit_2021_32_19 | ||
| 9. | 
Гуляницький Л. Ф. Формалізація проблеми оптимізації місць базування та маршрутів групи БПЛА [Електронний ресурс] / Л. Ф. Гуляницький, О. В. Рибальченко // Кібернетика та комп'ютерні технології. - 2021. - Вип. 4. - С. 12-26. - Режим доступу: http://nbuv.gov.ua/UJRN/kibcomteh_2021_4_4 | ||
| 10. |
Рибальченко О. М. Порушення мотивації – психологічна загроза безпеці особистості [Електронний ресурс] / О. М. Рибальченко // Габітус. - 2022. - Вип. 38. - С. 116-121. - Режим доступу: http://nbuv.gov.ua/UJRN/habit_2022_38_21 | ||
| 11. |
Рибальченко О. М. Деструкція сенсу – психологічна загроза безпеці особистості [Електронний ресурс] / О. М. Рибальченко // Габітус. - 2022. - Вип. 41. - С. 166-172. - Режим доступу: http://nbuv.gov.ua/UJRN/habit_2022_41_31 | ||
| 12. |
Гуляницький Л. Ф. Оптимізація маршрутів при плануванні місій гібридних транспортних систем "Дрон+Транспортний засіб" [Електронний ресурс] / Л. Ф. Гуляницький, О. В. Рибальченко // Кібернетика та комп'ютерні технології. - 2023. - № 3. - С. 44-58. - Режим доступу: http://nbuv.gov.ua/UJRN/kibcomteh_2023_3_6 | ||
| 13. | 
Савченко В. А. Побудова ефективної системи мережевої безпеки підприємства на основі методу аналізу ієрархій показників якості [Електронний ресурс] / В. А. Савченко, О. Г. Рибальченко // Сучасний захист інформації. - 2024. - № 1. - С. 6-14. - Режим доступу: http://nbuv.gov.ua/UJRN/szi_2024_1_3 | ||
Попередній перегляд: 
Реферативна БД
 |
| Відділ наукової організації електронних інформаційних ресурсів |
 Пам`ятка користувача |