https://er.chdtu.edu.ua/handle/ChSTU/6620 2026-06-23T21:22:25Z https://er.chdtu.edu.ua/handle/ChSTU/6737 Title: Застосування методів аналізу даних і машинного навчання в медицині на основі ансамблевих моделей Authors: ЦОКОЛЕНКО, Арсен Сергійович Abstract: Кваліфікаційна робота магістра присвячена застосуванню методів машинного навчання для автоматизованої діагностики захворювань на основі аналізу клінічних даних. Актуальність теми зумовлена активним розвитком інтелектуальних медичних систем і потребою у підвищенні точності та надійності підтримки лікарських рішень. Об’єктом дослідження є процеси аналізу медичних даних, а предметом — баєсівські та метричні моделі класифікації, а також оцінювання ефективності їх програмної реалізації. У роботі розроблено та порівняно моделі машинного навчання для діагностування захворювань, виконано їх програмну імплементацію та проведено оцінювання якості за стандартними метриками. Створене програмне забезпечення може використовуватися як інструмент підтримки прийняття рішень і зменшення кількості діагностичних помилок. Отримані результати апробовано на міжнародній науково-практичній студентській конференції та можуть бути основою для подальших досліджень і розробки інтелектуальних медичних систем.; The master’s thesis is devoted to the application of machine learning methods for automated disease diagnosis based on the analysis of clinical data. The relevance of the study is driven by the rapid development of intelligent healthcare systems and the need to improve the accuracy and reliability of decision support tools. The object of the research is the analysis of medical data, while the subject includes Bayesian and metric-based classification models and the evaluation of their software implementation. The work develops and compares several machine learning models for disease classification, implements them in software, and evaluates their performance using standard metrics. The resulting application can be used as a clinical decision support tool to reduce diagnostic errors. The main results were presented at an international scientific and practical student conference and may serve as a basis for further research and development of intelligent medical systems. 2025-12-18T00:00:00Z https://er.chdtu.edu.ua/handle/ChSTU/6736 Title: Застосування методів аналізу даних і машинного навчання в медицині на основі ансамблевих моделей Authors: Ткаченко, Олександр Сергійович Abstract: Кваліфікаційна робота магістра присвячена розробленню гібридної ансамблевої системи для автоматизованої медичної діагностики на основі аналізу багатовимірних біомедичних даних. Актуальність теми зумовлена зростанням обсягів клінічної інформації та необхідністю підвищення точності й надійності рішень у медичній практиці. Об’єктом дослідження є процеси виявлення прихованих закономірностей у симптоматиці та класифікації нозологічних форм, а предметом — математичні моделі та методи ансамблевого машинного навчання в умовах невизначеності та розріджених даних. У роботі розроблено програмний комплекс із графічним інтерфейсом, що реалізує повний цикл автоматизованої діагностики та формує ймовірнісні оцінки захворювань. Запропонована система виконує функцію «другої думки» лікаря, підвищуючи точність виявлення патологій, зокрема рідкісних, та зменшуючи ризик діагностичних помилок. Результати дослідження апробовано на міжнародній науково-практичній конференції.; The master’s thesis is devoted to the development of a hybrid ensemble system for automated medical diagnosis based on the analysis of multidimensional biomedical data. The relevance of the study is driven by the rapid growth of clinical information and the need to improve the accuracy and reliability of diagnostic decisions. The object of the research is the identification of latent patterns in symptom data and the classification of diseases, while the subject includes mathematical models and ensemble machine learning methods under conditions of uncertainty and data sparsity. The work presents a software system with a graphical user interface that implements the full diagnostic workflow and provides probabilistic assessments of possible diseases. The proposed solution acts as a “second opinion” tool for physicians, reducing the risk of missing rare pathologies and improving overall diagnostic quality. The main results were presented at an international scientific and practical conference. 2025-12-18T00:00:00Z https://er.chdtu.edu.ua/handle/ChSTU/6735 Title: Моделювання та прогнозування динаміки споживання природного газу в регіонах України Authors: ПЛЕМЕННИК, Ярослав Юрійович Abstract: Кваліфікаційна робота магістра присвячена моделюванню та прогнозуванню регіонально структурованого споживання природного газу в Україні на основі аналізу часових рядів. Актуальність дослідження зумовлена необхідністю точного прогнозування енергоспоживання в умовах воєнної нестабільності для забезпечення ефективного планування видобутку, транспортування, зберігання та мінімізації економічних ризиків. Об’єктом дослідження є процеси регіонального споживання природного газу за даними газотранспортної системи України, а предметом — статистичні та нейромережні моделі аналізу і прогнозування часових рядів. У роботі реалізовано адаптивні моделі прогнозування на основі авторегресійних методів і глибоких нейронних мереж, виконано їх програмну реалізацію в середовищі Python та проведено експериментальне порівняння точності прогнозів. Показано, що поєднання статистичних і нейромережних підходів дозволяє підвищити якість прогнозування та зменшити обчислювальні витрати. Отримані результати мають практичне значення для оператора газотранспортної системи України та можуть використовуватися в задачах оперативного й стратегічного планування енергетичних ресурсів.; The master’s thesis is devoted to modeling and forecasting regionally structured natural gas consumption in Ukraine based on time series analysis. The relevance of the study is determined by the need for accurate energy demand prediction under conditions of military and economic instability in order to support effective planning of gas production, transportation, storage, and risk mitigation. The object of the research is the process of regional gas consumption derived from the data of the Ukrainian gas transmission system, while the subject includes statistical and neural network models for time series analysis and forecasting. The work develops adaptive forecasting models using autoregressive techniques and deep neural networks, implements them in the Python environment, and performs an experimental comparison of their predictive accuracy. It is shown that the combination of statistical and neural approaches improves forecast quality and computational efficiency. The obtained results are of practical importance for the operator of the Ukrainian gas transmission system and can be applied to operational and strategic planning of energy resources. 2025-12-18T00:00:00Z https://er.chdtu.edu.ua/handle/ChSTU/6734 Title: Розроблення нейромережевої рекомендаційної системи для персоналізованого підбору фільмів Authors: КОРОТКА, Єлизавета Олександрівна Abstract: Кваліфікаційна робота магістра присвячена розробленню нейромережевої рекомендаційної системи фільмів на основі семантичного пошуку та векторних подань. Актуальність теми зумовлена стрімким зростанням обсягів медіаконтенту та потребою в інтелектуальних методах його персоналізованого впорядкування. Об’єктом дослідження є процес формування рекомендацій у системах медіаконтенту, а предметом — трансформерні моделі, методи побудови ембеддингів і алгоритми оцінювання релевантності. У роботі реалізовано підходи до попередньої обробки даних, формування векторних представлень фільмів і пошуку на основі косинусної подібності, а також розроблено інструменти інтерактивної взаємодії з користувачем. Отримані результати можуть бути використані в стримінгових сервісах, медіаплатформах і вебзастосунках для підвищення якості персоналізованих рекомендацій та семантичного пошуку контенту.; The master’s thesis focuses on the development of a neural network–based movie recommendation system using semantic search and vector representations. The relevance of the study is driven by the rapid growth of media content and the need for intelligent technologies to organize and personalize access to it. The object of the research is the process of generating personalized recommendations in media systems, while the subject includes transformer models, embedding methods, and relevance estimation algorithms. The work implements data preprocessing techniques, construction of vector representations of movies, and cosine similarity–based retrieval, as well as interactive search tools for natural language queries. The obtained results can be applied in streaming services, media platforms, and web applications to improve the quality of personalized recommendations and semantic content search. 2025-12-18T00:00:00Z