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 (2) | Автореферати дисертацій (1) | Реферативна база даних (4) |
Список видань за алфавітом назв: Авторський покажчик Покажчик назв публікацій  |
Пошуковий запит: (<.>A=Шпінарева І$<.>) | |||
|
Загальна кількість знайдених документів : 4 Представлено документи з 1 до 4 |
|||
| 1. | 
Геренко О. А. Питально-відповідна довідкова система з підтримкою голосової функції [Електронний ресурс] / О. А. Геренко, І. М. Шпінарева, К. Ю. Морозова // Збірник наукових праць Військового інституту Київського національного університету імені Тараса Шевченка. - 2017. - Вип. 55. - С. 119-125. - Режим доступу: http://nbuv.gov.ua/UJRN/Znpviknu_2017_55_16 | ||
| 2. |
Шпінарева І. М. Класифікація текстів на природній мові за допомогою нейронної мережі [Електронний ресурс] / І. М. Шпінарева, О. А. Геренко, К. Ю. Морозова // Збірник наукових праць Військового інституту Київського національного університету імені Тараса Шевченка. - 2018. - Вип. 59. - С. 171-177. - Режим доступу: http://nbuv.gov.ua/UJRN/Znpviknu_2018_59_21 | ||
| 3. | 
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 %. | ||
| 4. |
Кунак І. С. Ідентифікація особи у відеопотоці методами машинного навчання [Електронний ресурс] / І. С. Кунак, І. М. Шпінарева, В. Г. Пенко // Інформатика та математичні методи в моделюванні. - 2021. - Т. 11, № 4. - С. 287-295. - Режим доступу: http://nbuv.gov.ua/UJRN/Itmm_2021_11_4_7 Ідентифікація особи у відеопотоці в режимі реального часу є критично важливою функцією в широкому спектрі актуальних предметних областей. З іншого боку, таке завдання є складним і може бути ефективно вирішене лише за допомогою сучасних підходів штучного інтелекту. У цій роботі в якості ключового алгоритму розпізнавання та векторизації зображення обличчя використовується апробований раніше підхід MTCNN, який використовує каскад з декількох нейромереж для виявлення ключових точок обличчя ідентифікації особи. Крім основного алгоритму, була реалізована інтегрована система, що забезпечує функціональність ідентифікації особи, доступної кінцевому користувачеві. Додатково реалізовані модуль ідентифікації осіб на основі векторів, що представляють особистість у відеокадрі, підсистема зберігання та поповнення бази даних осіб, які розпізнаються, і зручний інтерфейс користувача. Модифікації архітектури MTCNN, запропоновані в даній роботі, дозволили досягти продуктивності, що забезпечує режим реального часу та прийнятну якість ідентифікації на рівні 0,92 за F1-метрикою. | ||
Попередній перегляд: 
Реферативна БД
 |
| Відділ наукової організації електронних інформаційних ресурсів |
 Пам`ятка користувача |