Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/30719
Назва: Розробка системи машинного перекладу на основі нейромережевих технологій з використанням вектора метрик якості
Інші назви: Development of a machine translation system based on neural network technologies using a vector of quality metrics
Автори: Баранський, Максим Олександрович
Baranskyy, M.O.
Приналежність: Тернопільський національний технічний університет імені Івана Пулюя
Бібліографічний опис: Баранський М.О. Розробка системи машинного перекладу на основі нейромережевих технологій з використанням вектора метрик якості: дипломна робота на здобуття освітнього ступеня «магістр» за спеціальністю „121 — інженерія програмного забезпечення“ / М.О. Баранський . — Тернопіль: ТНТУ, 2019. — 100 с.
Bibliographic description: Baranskyy M.O. Development of a machine translation system based on neural network technologies using a vector of quality metrics: Diploma thesis for the qualification level of magistr on specialty "121 — Software Engineering"/ M.O. Baranskyy — Ternopil: TNTU, 2019. — 100 pp.
Дата публікації: гру-2019
Дата подання: гру-2019
Дата внесення: 22-січ-2020
Видавництво: Тернопільський національний технічний університет імені Івана Пулюя
Країна (код): UA
Місце видання, проведення: Тернопіль
Науковий керівник: Пастух, Олег Анатолійович
Члени комітету: Дмитроца, Леся Павлівна
УДК: 004.9
Теми: 121
інженерія програмного забезпечення
аналіз
дослідження
дані
середовище
інформаційна система
електрокардіограма
RR-інтервал
CSV
Короткий огляд (реферат): Дипломна робота присвячена розробці інформаційної системи дослідження електрокардіограм на основі функцій зі змінним періодом. Розроблено власний програмний продукт для імпорту, аналізу та відображення результатів опрацювання даних електрокардіограм. Практичне значення одержаних результатів. Отримано нову інформаційну систему яка дозволяє швидко та зручно імпортувати, вибирати дані для аналізу та отримати результат згідно наперед визначеним алгоритмам опрацювання вхідних даних, яка представляє собою програмний продукт для операційних систем сімейства Windows.
Зміст: ВСТУП...9 1. РОЗРОБКА ПРОГРАМНОЇ СИСТЕМИ...14 1.1 Аналіз вимог до предметної області...14 1.1.1 Аналіз предметної області...14 1.1.2 Постановка завдання...17 1.1.3 Пошук варіантів використання ...20 1.2 Проєктування системи ...22 1.2.1 Обирання процесу реалізації системи та архітектури... 23 1.2.2 Моделювання системи ...23 1.3 Конструювання програмної системи ...27 1.3.1 Вибрані технології для конструювання... 27 1.3.2 Реалізація машинного перекладу на основі RNN... 31 1.3.3 Реалізація машинного перекладу на основі LSTM... 34 1.4 Тестування і впровадження програмної системи ...36 1.4.1 Тестування програмної системи машинного перекладу... 36 1.4.2 Використання програмної системи машинного перекладу... 38 1.4.3 Порівняння програмних систем машинного перекладу ...39 2. СПЕЦІАЛЬНА ЧАСТИНА... 41 2.1 Нейромережеві архітектури... 41 2.1.1 RNN... 43 2.1.2 LSTM ...47 2.2 Метрики якості перекладу ...51 2.2.1 METEOR... 53 3. ОРАГНІЗАЦІЙНО-ЕКОНОМІЧНА ЧАСТИНА... 58 3.1 Загальний підхід до визначення економічної ефективності розробки... 58 3.2 Розрахунок вартості процесу розробки та оцінка економічної ефективності проєкту... 59 4. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ... 68 4.1 Охорона праці ...68 4.2 Електробезпека користувачів персонального комп’ютера ...71 ВИСНОВКИ ...77 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ...79 ДОДАТКИ ...82
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/30719
Власник авторського права: © Баранський Максим Олександрович, 2019
Перелік літератури: 1. Philosophical Transactions − the world's first science journal. – Режим доступу: http://rstl.royalsocietypublishing.org/. – Дата доступу: 05.05.2017 2. A. M. TURING I.—COMPUTING MACHINERY AND INTELLIGENCE/ А.М. Тюрінг // Mind. – 1950. – № 236. – С. 433-460. 3. Stochastic neural analog reinforcement calculator. – Режим доступу: http://cyberneticzoo.com/mazesolvers/1951-maze-solver-minsky-edmondsamerican/. 4. How Many Computers to Identify a Cat? – Режим доступу: http://www.nytimes.com/2012/06/26/technology/in-a-big-network-ofcomputers-evidence-of-machine-learning.html. – Дата доступу: 05.05.2017 5. In a huge breakthrough, google's ai beats a top player at the game of go. – Режим доступу: https://www.wired.com/2016/01/in-a-huge-breakthroughgoogles-ai-beats-a-top-player-at-the-game-of-go 6. Онлайн журнал engadget (Google DeepMind AI wins final Go match for 4-1 series win). – Режим доступу: https://www.engadget.com/2016/03/14/thefinal -lee-sedol-vs-alphago-match-is-about-to-start/. – Дата доступу: 05.05.2017 7. Comparison of the DQN agent with the best reinforcement learning methods. – Режим доступу: http://www.nature.com/nature/journal/v518/n7540/fig_tab/ nature14236_F3.html. 8. Офіційний сайт Keras. – Режим доступу: https://keras.io. 9. Моделирование процессов обучения в нейронных сетях. – Режим доступу: http://old.exponenta.ru/soft/others/mvs/stud3/3.asp. 10. CS234: Reinforcement Learning – Режим доступу: http://web.stanford.edu/class/cs234/index.html. 11. Alex Galea, Luis Capelo «Applied Deep Learning with Python. Use scikit-learn, TensorFlow, and Keras to create intelligent system and machine learning solutions» 2018 р. с.214-215, c.216-217. 12. Steven Bird, Ewan Klein, Edward Loper “Natural Language Processing with Python. Analyzing Text with the Natural Language Toolkit”, c 292-304. 13. 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. 7 14. Schematic illustration of the convolutional neural network. – Режим доступу: http://www.nature.com/nature/journal/v518/n7540/fig_tab/nature14236_F1.html. 15. Comparison of games scores obtained by DQN. – Режим доступу: http://www.nature.com/nature/journal/v518/n7540/fig_tab/nature14236_ST2.html. 16. Pooyan J. Self-Learning Cloud Controllers: Fuzzy Q-Learning for Knowledge Evolution / Pooyan J., Amir S., Claus P., Andreas M., Giovani E. – International Conference on Cloud and Autonomic Computing, 2015 – C. 8 17. Gers, F. A.; Schmidhuber, E. LSTM recurrent networks learn simple context-free and context-sensitive languages // IEEE Transactions on Neural Networks: journal. — 2001. — November (vol. 12, no. 6). — P. 1333—1340. — ISSN 1045-9227. — DOI:10.1109/72.963769 18. Форма №2 «Звіт про фінансові результати»: методика підготовки[Електронний ресурс]. – Режим доступу: URL: http://osvita.ua/vnz/reports/accountant/17368/. 19. Лаврищева К.М. «Програмна інженерія» - С. 95 – Режим доступу: http://www.programsfactory.univ.kiev.ua/content/books/2/28 20. Методичні вказівки для виконання розділу дипломної роботи щодо техніко-економічного обґрунтування вибору проєктного рішення розробки та оцінки якості програмного забезпечення/ Упор. Петрик М.Р., Кінах Я.І., Головатий А.І., Рогатинська Л.Р. – Тернопіль: Вид-во ТНТУ ім. І. Пулюя. – 2013. -34 с. 21. Правила безпечної експлуатації електроустановок споживачів [Текст] : ДНАОП 0.00-1.21-98. - Київ : Держнаглядохоронпраці, 2003. - 383 с. 22. Жидецький В. Ц. Охорона праці користувачів комп’ютерів. – Львів: Афіша, 2000. - 176 с. 23. Наказ Державного комітету України з промислової безпеки, охорони праці та гірничого нагляду «Про затвердження Правил охорони праці під час експлуатації електронно-обчислювальних машин» від 26.03.2010 № 65 – Режим доступу: URL: http://zakon2.rada.gov.ua/laws/show/z0293-10;
Тип вмісту: Master Thesis
Розташовується у зібраннях:121 — інженерія програмного забезпечення

Файли цього матеріалу:
Файл Опис РозмірФормат 
dyplom_Baranskyy_M_O_2019.pdfдипломна робота1,73 MBAdobe PDFПереглянути/відкрити
aref_Baranskyy_M_O_2019.pdf153,61 kBAdobe PDFПереглянути/відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора