Пошуковий запит: (<.>A=Ярощук О$<.>) |
Загальна кількість знайдених документів : 12
Представлено документи з 1 до 12
|
1. |
Лозінська С. М. Дослідження динаміки зношування матеріалів спеціального призначення [Електронний ресурс] / С. М. Лозінська, О. В. Ярощук, Є. В. Царьова // Наукові нотатки. - 2011. - Вип. 34. - С. 163-166. - Режим доступу: http://nbuv.gov.ua/UJRN/Nn_2011_34_36
|
2. |
Ярощук О. Ризик-менеджмент в управлінні капіталом підприємства [Електронний ресурс] / О. Ярощук // Економічний аналіз. - 2012. - Т. 11(1). - С. 460-466. - Режим доступу: http://nbuv.gov.ua/UJRN/ecan_2012_11(1)__100
|
3. |
Ярощук I. Д. Особистість економіста в системі професійної підготовки: комунікативний аспект [Електронний ресурс] / I. Д. Ярощук, О. В. Ярощук // Педагогічний альманах. - 2016. - Вип. 30. - С. 242-248. - Режим доступу: http://nbuv.gov.ua/UJRN/pedalm_2016_30_43
|
4. |
Ярощук О. С. Дослідження впливу автомобільної дороги на безпеку дикої природи та шляхи її вирішення [Електронний ресурс] / О. С. Ярощук, Н. М. Харитонова, Т. М. Лозова // Дороги і мости. - 2020. - Вип. 21. - С. 77-85. - Режим доступу: http://nbuv.gov.ua/UJRN/dim_2020_21_10
|
5. |
Ярощук О. В. Концепції визначення вартості власного капіталу акціонерного товариства [Електронний ресурс] / О. В. Ярощук // Економічний аналіз. - 2013. - Т. 14, № 3. - С. 236-240. - Режим доступу: http://nbuv.gov.ua/UJRN/ecan_2013_14(3)__35
|
6. |
Ярощук О. В. Аналітичне обґрунтування рішень в системі корпоративного захисту бізнесу від поглинань [Електронний ресурс] / О. В. Ярощук, І. Д. Ярощук // Економічний аналіз. - 2014. - Т. 17, № 2. - С. 136-154. - Режим доступу: http://nbuv.gov.ua/UJRN/ecan_2014_17(2)__20
|
7. |
Спільник І. В. Принцип системності в аналітичних дослідженнях [Електронний ресурс] / І. В. Спільник, О. В. Ярощук // Економічний аналіз. - 2018. - Т. 28, № 2. - С. 182-190. - Режим доступу: http://nbuv.gov.ua/UJRN/ecan_2018_28(2)__25
|
8. |
Спільник І. В. Консультаційна діяльність: актуальність, особливості та перспективи розвитку [Електронний ресурс] / І. В. Спільник, О. М. Загородна, О. В. Ярощук // Економічний аналіз. - 2018. - Т. 28, № 3. - С. 192-198. - Режим доступу: http://nbuv.gov.ua/UJRN/ecan_2018_28(3)__27
|
9. |
Пенко В. Г. Діагностика хвороби серця на основі дерев рішень [Електронний ресурс] / В. Г. Пенко, І. М. Шпінарева, О. В. Ярощук // Інформатика та математичні методи в моделюванні. - 2021. - Т. 11, № 1-2. - С. 58-68. - Режим доступу: http://nbuv.gov.ua/UJRN/Itmm_2021_11_1-2_8 Обсяг медичних даних в світі величезний. Швидко ростуть електронні історії хвороб. Тому для встановлення правильного діагнозу, при великій кількості різних аналізів (КТ, кардіограм і т.д.) на допомогу лікарю приходять інтелектуальні системи прогнозування серцево-судинних захворювань. Задачу прогнозування вирішують методами машинного навчання. Найбільш популярними методами машинного навчання в задачах класифікації та прогнозування є дерева прийняття рішень. Ідея, що лежить в основі дерев рішень, полягає в розбитті безлічі можливих значень вектора ознак (незалежних змінних) на непересічні безлічі і підгонці простої моделі для кожного такого безлічі. Дерева рішень дозволяють отримати високу точність у вирішенні багатьох задач, зберігаючи при цьому високий рівень інтерпретації. Дерево рішень будується автоматично в залежності від статистичних даних. Досліджено методи дерев прийняття рішень: CART, ID3, С4.5, Random Forest, Gradient Boosting. На основі аналізу даних методів кращий результат прогнозування серцево-судинних захворювань отримано алгоритмами Random Forest та Gradient Boosting. Метод випадкових лісів заснований на побудові ансамблю дерев рішень, кожне з яких будується за вибіркою, що отримується з вихідної навчальної вибірки за допомогою бутстрепа (тобто вибірки з поверненням). Іншим ансамблем є метод Gradient Boosting. Його основна відмінність від Random Forest полягає в тому, що в Random Forest дерева будуються незалежно один від одного, в той час як Gradient Boosting на кожному кроці покращує попередню модель. За допомогою дерева рішень (Random Forest та Gradient Boosting) можна з розумною точністю передбачити вразливість до серцевих захворювань у пацієнтів. Запропоновано поліпшення методу Gradient Boosting шляхом модифікації бустінга. А саме, на кожному кроці алгоритму новий єлемент ансамблю будується спираючись не на всю навчальну вибірку, а лише на випадкову підвибірку фіксованого розміру. Ця ідея є об'єднанням технік градієнтного бустінга і беггінга. В якості вихідних даних виористовується набір Heart Disease UCI. Для перевірки результатів роботи поліпшеного алгоритму Gradient Boosting використовувалася набір heart_failure_clinical_records. В результаті проведеної роботи отримано алгоритм, який дозволяє збільшити точність прогнозування серцево-судинних захворювань з 89 до 94 %.
|
10. |
Харитонова Н. М. Впровадження нових методів оцінки впливу на довкілля при будівництві автомобільних доріг [Електронний ресурс] / Н. М. Харитонова, О. С. Ярощук // Дороги і мости. - 2022. - Вип. 25. - С. 270-277. - Режим доступу: http://nbuv.gov.ua/UJRN/dim_2022_25_24
|
11. |
Прилуцька А. Б. Клініко-імунологічний підхід до лікування інфекції акушерської хірургічної рани в породілей [Електронний ресурс] / А. Б. Прилуцька, Л. І. Мартинова, С. О. Авраменко, О. Б. Ярощук, Д. О. Говсєєв // Здоров'я жінки. - 2023. - № 6. - С. 52-57. - Режим доступу: http://nbuv.gov.ua/UJRN/Zdzh_2023_6_10
|
12. |
Прилуцька А. Б. Стан загального імунітету в породілей із гнійними ранами під час воєнних дій [Електронний ресурс] / А. Б. Прилуцька, Л. І. Мартинова, С. О. Авраменко, О. Б. Ярощук, К. С. Павлюченко, Д. О. Говсєєв // Український журнал Перинатологія і Педіатрія. - 2023. - № 4. - С. 44-49. - Режим доступу: http://nbuv.gov.ua/UJRN/perynatology_2023_4_8
|