Магістерські роботи кафедри Комп'ютерні інформаційні технології (КІТ)
Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/18548
ENG: Master Thesis "Computer Information Technologies"
Browse
Item Дослідження продуктивності нейронних мереж під час аналізу медичних даних Covid-19(Український державний університет науки і технологій, Дніпро, 2025) Коченко, Микола ВіталійовичUKR: Пояснювальна записка до кваліфікаційної роботи магістра 90 с., 3 рис., 5 табл., 4 додатки, 70 джерел. На даний момент методи машинного навчання все частіше застосовуються для вирішення задач різних областей, наприклад в медицині. Методи машинного навчання використовують для діагностики захворювань та інтерпретації результатів. Основними цілями таких розробок є допомога лікарям в сенсі скорочення часу досліджень аналізів пацієнта та полегшення роботи лікаря. У цій роботі для розв'язання задачі класіфікації та розпізнавання COVID-19 за рентгенівськими знімками використовуються згорткові нейронні мережі. Згорткові нейронні мережі це найбільше ефективний інструмент для розпізнавання зображень. Основними якостями даного виду мереж є стійкість до зашумлення чи спотворення вихідних даних. Метою дослідження даної роботи є створення згорткової нейронної мережі для діагностики COVID-19 за рентгенівськими знімками. Для досягнення поставленої мети вирішено такі завдання: огляд наукових праць, присвячених патогенності віруса COVID-19; огляд наукових статей, присвячених прогнозуванню та дослідженню коронавірусу за допомогою алгоритмів машинного навчання та штучних нейронних мереж; підготовка вхідних даних; класіфікація та прогнозування COVID-19 за допомогою згорткової нейронної мережі; інтерпретація результатів. Об'єктом дослідження є динаміка захворюваності та смертності від коронавірусу COVID-19, предметом – застосування нейронних мереж для прогнозування патогенності вірусу У роботі використані методи машинного навчання, штучні нейромережі, статистичні методи прогнозування. Програма реалізована мовою програмування Python. Для моделювання використовували бібліотеки Keras, а також бібліотеки TensorFlow як найбільш популярних фреймворків для побудови передбачуваних моделей, оцінка точності прогнозів моделі та підбір оптимальних параметрів. Пояснювальна записка складається зі вступу, чотирьох розділів, висновків, бібліографічного списку та восьми додатків. Вступ описує суть, мету та актуальність роботи. Перший розділ: огляд предметної галузі. Другий розділ: методи аналізу сучасних нейронних мереж. Третій розділ: проектний розділ. Четвертий розділ: дослідження нейромереж. П’ятий розділ: безпека праці та захист даних. Додатки: технічне завдання, керівництво користувача, текст програми, тези двох доповідей