Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/30746| Назва: | Інформаційна система для прогнозування вартості житла на основі послідовної моделі машинного навчання з веб-інтерфейсом |
| Інші назви: | Information system for apartments cost forecasting based on sequential model of web-interface machine study |
| Автори: | Садівник, Максим Петрович Sadivnyk, Maksym |
| Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя |
| Бібліографічний опис: | Садівник М.П. Інформаційна система для прогнозування вартості житла на основі послідовної моделі машинного навчання з веб-інтерфейсом: дипломна робота магістра за спеціальністю „122 — комп’ютерні науки“ / М. П. Садівник. — Тернопіль: ТНТУ, 2019. —115 с. |
| Дата публікації: | 27-гру-2019 |
| Дата внесення: | 30-січ-2020 |
| Країна (код): | UA |
| Місце видання, проведення: | Тернопіль |
| Науковий керівник: | Гром'як, Роман Сільвестрович |
| Члени комітету: | Бойко, Ігор Володимирович |
| УДК: | 004.85 |
| Теми: | 122 комп’ютерні науки машинне навчання штучний інтелект браузер моделі машинного навчання бібліотека machine learning artificial intelligence browser machine learning models library |
| Кількість сторінок: | 115 |
| Короткий огляд (реферат): | Дана робота присвячена розробці інформаційної системи для
прогнозування вартості житла на основі послідовної моделі машинного
навчання. Метою роботи є демонстрація головних особливостей машинного
навчання у браузері використовуючи мову програмування JavaScript.
В роботі розглянуто основні моделі машинного навчання, проведено їх аналіз та порівняння. На основі аналізу існуючих бібліотек було проведено їх порівняння та вибір бібліотеки для використання. Було розроблено застосунок для демонстрації роботи обраної бібліотеки This thesis is devoted to the development ofinformation system forapartments cost forecasting based on sequential model of machine learning with web-interface. The aim is to demonstrate the main features ofmachine learning in browser using programming language JavaScript.The paper describes the mainmodels of machine learning,was provided their analysis and compare. Based on an analysis of existinglibraries wasprovided their compare and chose of library for use. Developed application for demonstration of chosen library’s work. |
| Зміст: | Вступ...9 Перелік умовних скорочень...11 1 Штучний інтелект та його роль у світі...12 1.1 Поняття «тшучного інтелекту»....12 1.2 Історія розвитку штучного інтелекту....18 1.3 Штучний інтелект в сучасному світі...24 1.4Висновок до першого розділу....26 2 Машинне навчання та його моделі....27 2.1 Поняття «машинного навчання»...27 2.2 Моделі машинного навчання...36 2.3 Висновок до другого розділу...48 3 Проектування та програмна реалізаціяінформаційної системи для прогнозування вартості житла на основі послідовної моделі машиного навчання з використанням бібліотеки tensorflow.js...49 3.1 Послідовна модель машинного навчання...49 3.2 Проектування навчальної моделі...55 3.3 Підготовка даних до навчання....61 3.4 Підготовка моделі до навчання та прогнозування...64 3.5 Висновок до третього розділу...68 4 Машинне навчання у браузері. огляд tensorflow.jsта інших популярних бібліотек браузерного машинногонавчання та обґрунтування вибору.....69 4.1 Машинне навчання у браузері...69 4.2 Порівняння TensorFlow.js з іншими бібліотеками браузерного машинного навчання та обґрунтування вибору...70 74.3 Висновок до четвертого розділу....76 5 Обґрунтування економічної ефективності...77 5.1 Розразунок норм часу на виконання науково-дослідницької роботи....77 5.2 Визначення витрат на оплату праці та відрахувань на соціаьні заходи..78 5.3 Розразунок матеріальних витрат....81 5.4 Розрахунок витрат на електроенергію....82 5.5 Розрахунок суми амортизаційних відрахувань...83 5.6 Обчислення накладних витрат...84 5.7 Складання кошторису витрат та визначення собівартості роботи....84 5.8 Розрахунок ціни програмного продукту....85 5.9 Визначення економічної ефективності і терміну окупності капітальних вкладень...86 5.10 Висновок до п’ятого розділу....87 6 Охорона праці та безпека в надзвичайних ситуаціях...89 6.1 Охорона праці...89 6.1.1 Види страхових виплат Фонду соціального страхування від нещасних випадків на виробництві та професійних захворювань, на які може розраховувати працівник у разі його травмування, профзахворювання або смерті....89 6.1.2 Ефективність охорони праці у Великобританії у сфері ІТ...91 6.2 Безпека в надзвичайних ситуаціях...93 6.2.1 Організація цивільного захисту на об’єктах промисовості та виконання заходів щодо запобігання виникненню надзвичайних ситуацій техногенного походження...93 86.2.2 Особливості роботи та розлади здоров’я користувачів комп’ютерів, що формується під впливом роботи за комп’ютером...97 6.3 Висновок до шостого розділу....101 7 Екологія....102 7.1 Енергозбереження і його роль у вирішенні екологічних проблем....102 7.2 Методологія моделювання екологічних проблем....105 7.3 Висновок до сьомого розділу...107 Висновки...108 Список використаних джерел...110 Додатки |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/30746 |
| Власник авторського права: | © Садівник Максим Петрович, 2019 |
| Перелік літератури: | 1. Садівник М. Машинне навчання у браузері з використанням Tensorflow.js / М. Садівник // Матеріали VII наукової конференції «Інформаційні моделі, системи та технології», 11-12 грудня 2019 року. – Т. : ТНТУ, 2019. – С. 89. – (Комп’ютерно-інформаційні технології та системи зв’язку). 1.Duchi J. Adaptive subgradient methodsfor online learning and stochastic optimization / J. Duchi, E. Hazan, Y. Singer // Journal of Machine Learning Research. —2011. —P. 2121–2159.2.Kingma D. Adam: A method for stochastic optimization / D. Kingma, J. Ba // arXiv preprint arXiv. —Vol. 1412, N 6980. —2014. —P. 1–15.3.Liu P. SVM or deep learning? A comparative study on remote sensing image classification / P. Liu, K.K.R. Choo, L. Wang, F. Huang // Soft Computing. —Vol. 21, N 23. —2017. —P. 7053–7065.4.PirottiF. Benchmark of machine learning methods for classification of a Sentinel-2 image / F. Pirotti, F. Sunar, M. Piragnolo // International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. —Vol. 41. —2016. —P. 335–340.5.Саттон Р.С Обучение с подкреплением / Саттон Р.С, Э. Г. Барто // БИНОМ, Лаборатория знаний, 2014 –С. 42-96.6.Mnih, V. Playing Atari with deep reinforcement learning. Technical Report / Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., Riedmiller M. –DeepMind Technologies, 2013 –C. 77.Schematic illustration of the convolutional neural network. –Режимдоступу: http://www.nature.com/nature/journal/v518/n7540/fig_tab/nature14236_F1.ht ml.8.Моделирование процессов обучения в нейронных сетях. –Режим доступу: http://old.exponenta.ru/soft/others/mvs/stud3/3.asp. 9.Онлайнжурналengadget (Google DeepMind AI wins final Go match for 4-1 series win). –Режимдоступу: https://www.engadget.com/2016/03/14/thefinal-lee-sedol-vs-alphago-match-is-about-to-start/. 11110.A. M. TURING I.—COMPUTING MACHINERY AND INTELLIGENCE/ А.М. Тюрінг// Mind. –1950. –No 236. –С. 433-460.11.Breiman L. Random forests / L. Breiman // Machine learning. —Vol. 45, N 1. —2001. —P. 5–32.12.Hinton G.E. A fast learning algorithm for deep belief nets / G.E. Hinton, S. Osindero, Y.W. Teh // Neural computation. —Vol. 18, N 7. —2006. —1527–1554 p13.Загальна лінійна модель [Електронний ресурс] URL: https:// uk.wikipedia.org/wiki/Загальна лінійна модель.14.Aggarwal C.C., Charu C. Data Classification Algorithms and Applications. 2015: Chapman & Hall /CRC.15.Manevitz L. M. Y.M. Document Classification on Neural Networks Using Only Positive Examples // SIGIR. 2000.16.Hochreiter S. Untersuchungen zu dynamischen neuronalen Netzen / S. Hochreiter // Diss. diploma thesis, institut für informatik, lehrstuhl prof. brauer, technische universität münchen. —1991.17.Sutskever I. Sequence to sequence learning with neural networks / I. Sutskever, O. Vinyals, Q.V. Le // In Advances in neural information processing systems. —2014. —P. 3104–3112.18.CS234: Reinforcement Learning –Режимдоступу: http://web.stanford.edu/class/cs234/index.html.19.Barnett V., Lewis T. Outliers in Statistical Data. Wiley, 199420.Dunnung T., Friedman E. Practical Machine Learning: A New Look at Anomaly Detection.O'Reilly Media, 200421.Beckman R., Cook R. Outliers // Technometrics, No. 25(2), 1983. pp. 119–14922.Khoshnava,S.M.; Rostami,R.;Valipour,A.; Ismail,M.; Rahmat,A.R. Rankofgreenbuildingmaterialcriteria based on the three pillars of sustainability using the hybrid multi criteria decision making method. J.Clean. Prod. 2018, 173, 82–99. 23.Chen Y. Deep learning-based classification of hyperspectral data / Y. Chen, Z. Lin, X. Zhao et al. // IEEE Journal of Selected topics in applied earth observations and remote sensing. —Vol. 7, N 6. —2014. —P. 2094–2107.24.Zhang F. Scene classification via a gradient boosting random convolutional network framework / F. Zhang, B. Du, L. Zhang // IEEE Transactions on Geoscience and Remote Sensing. —Vol. 54, N 3. —2016. —P. 1793–1802.25.Chen Y. Spectral–spatial classification of hyperspectral data based on deep belief network / Y. Chen, X. Zhao, X. Jia // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. —Vol. 8, N 6. —2015. —P. 2381–2392.26.ChoromanskaA. The loss surfaces of multilayer networks / A. Choromanska, M. Henaff, M. Mathieu et al. // In Artificial Intelligence and Statistics. —2015. —P. 192–204.27.Lyu H. Learning a transferable change rule from a recurrent neural network for land cover changedetection / H. Lyu, H. Lu, L. Mou // Remote Sensing. —Vol. 8, N 6. —2016. —P. 1–22.28.Peña-Barragán J.M. Object-based crop identification using multiple vegetation indices, textural features and crop phenology / J.M. Peña-Barragán, M.K. Ngugi, R.E. Plant, J. Six // Remote Sensing of Environment. —Vol. 115, N 6. —2011. —P. 1301–1316.29.Zhao W. Learning multiscale and deep representations for classifying remotely sensed imagery / W. Zhao, S. Du // ISPRS Journal of Photogrammetry and Remote Sensing. —Vol. 113. —2016. —P. 155–165.30.Zhang F. Saliency-guided unsupervised feature learning for scene classification / F. Zhang, B. Du, L. Zhang // IEEE Transactions on Geoscience and Remote Sensing. —Vol. 53, N 4. —2015. —P. 2175–2184.31.Hwang B., Cho S. Characteristics of auto-associative MLP as a novelty detector. // In Proceedings of the IEEE International Joint Conference on Neural Networks. Washington, DC. 10–16 July,1999. Vol. 5, pages 3086–3091. 32.Офіційнийсайт бібліотеки brain.js. –[Електронний ресурс] -Режим доступу https://brain.js.org/.33.Офіційнийсайт бібліотеки machinelearn.js. –[Електронний ресурс] -Режим доступу https://www.machinelearnjs.com/.34.Офіційнийсайт бібліотеки math.js. –[Електронний ресурс] -Режим доступу https://mathjs.org/.35.Репозиторій бібліотеки face-api.js. –[Електронний ресурс] -Режим доступу https://github.com/justadudewhohacks/face-api.js/.36.Офіційнийсайт бібліотеки r.js. –[Електронний ресурс] -Режим доступу https://requirejs.org/.37.Офіційнийсайт бібліотеки stdlib-js. –[Електронний ресурс] -Режим доступу https://stdlib.io/.38.Офіційнийсайт бібліотеки tensorflow.js. –[Електронний ресурс] -Режим доступу https://www.tensorflow.org/js.39.Новиков, Ю. В. Охрана окружающей среды [Текст] : учеб. пособие для техникумов / Ю.В. Новиков. -М. : Высшая школа, 1987. -287 с.40.Основи екології та охорона навколишнього природного середовища [Текст] : навч. посіб. для студ. вищих навч. закладів / [Бедрій Я. І.; Джигирей В. С.; Кидисюк, А. І. та ін.]; за ред. В. С. Джигирей ; Український держ. лісотехнічний ун-т, Львівський електротехнікум зв'язку. -Л. : [б.в.], 1999. -239 с. Альтернативна назва : Екологія та охорона природи. -ISBN 5-7763-2641-9.41.Фонд соціального страхування України : [Електронний ресурс] // Вікіпедія –вільна енциклопедія. –Режим доступу: https://uk.wikipedia.org/wiki/Фонд_соціального_страхування_України42.Офіційний сайт фонду соціального страхування України : [Електронний ресурс]. –Режим доступу:http://www.fssu.gov.ua/fse/control/main/uk/publish/article/954974 43.Сайт Клінського інституту охорони і умов праці : [Електронний ресурс]. –Режим доступу : http://www.kiout.ru44.Офіційний сайт комісії з охорони та безпеки праці Великобританії : [Електронний ресурс]. –Режим доступу : https://www.hse.gov.uk/index.htm45.Тарасова В.В. Екологічна статистика.[Текст]/В.В.Тарасова.-Київ: «Центр учбово\ї літератури», 2008 ро.-391с.46.Запольський А.К. Основи екології [Текст]: підр. для студ. техн. технол. спец. вищ. навч. закл. / А. К. Запольський, А.І. Салюк; за ред. К.М. Ситника. К.: Вища школа, 2001.-358с.ISBN 966-642-059-7.47.Лукашев К.И. и др. Человек и природа (геохим. и эколог. аспекты рацион. природопользования) / АН БССР, Ин-т геохимиии и геофизики. -Минск: Наука и техника, 1984 -295с.: ил.48.Маликов, У. М. Организация гражданской защиты на промышленных объектах [Текст] : учеб. пособие для техникумов / У.М.Маликов. -М. : Высшая школа, 1989. -27 с.49.Основи запобігання виникненню надзвичайних ситуацій [Текст] : навч. посіб. для студ.вищих навч. закладів / [Бедрій Я. І.; Джигирей В. С.; Кидисюк, А. І. та ін.]; за ред. В. С. Джигирей ; Український держ. лісотехнічний ун-т, Львівський електротехнікум зв'язку. -Л. : [б.в.], 1999. -239 с. Альтернативна назва :Надзвичайні ситуації техногенного походження. -ISBN 5-7865-2682-6.50.Лукашев К.И. и др. Человек и природа (геохим. и эколог. аспекты рацион. природопользования) / АН БССР, Ин-т геохимиии и геофизики. -Минск: Наука и техника, 1984 -193с.: ил. |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 122 — комп’ютерні науки |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| Авторська довідка Садівник.pdf | Авторськ адовідка | 284,72 kB | Adobe PDF | Переглянути/відкрити |
| dyplom_Sadivnyk.pdf | Дипломна робота | 2,24 MB | Adobe PDF | Переглянути/відкрити |
| autoreferat_Sadivnyk.pdf | Автореферат | 196,16 kB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора