Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/44466| Назва: | Розробка засобів гібридної візуалізації класифікації, кластеризації та регресії в середовищі Wolfram Mathematica з використанням мови програмування Python |
| Інші назви: | Development of tools for hybrid visualization of classification, clustering, and regression in the Wolfram Mathematica environment using the Python programming language |
| Автори: | Войтович, Ростислав Вікторович Voytovych, Rostyslav |
| Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя |
| Бібліографічний опис: | Войтович Р. В. Розробка засобів гібридної візуалізації класифікації, кластеризації та регресії в середовищі Wolfram Mathematica з використанням мови програмування Python: кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „121 — інженерія програмного забезпечення“ / Р. В. Войтович . — Тернопіль: ТНТУ, 2023. — 105 с. |
| Дата публікації: | гру-2023 |
| Дата подання: | гру-2023 |
| Дата внесення: | 6-лют-2024 |
| Видавництво: | Тернопільський національний технічний університет імені Івана Пулюя |
| Країна (код): | UA |
| Місце видання, проведення: | Тернопіль |
| Науковий керівник: | Бойко, Ігор Володимирович |
| Члени комітету: | Боднарчук, Ігор Орестович |
| УДК: | 004.9 |
| Теми: | 121 інженерія програмного забезпечення гібридна візуалізація кластеризація даних інтерполяція даних машинне навчання регресія даних Python Wolfram Mathematica |
| Кількість сторінок: | 105 |
| Короткий огляд (реферат): | Метою атестаційної роботи магістра є розробка прямих та комбінованих методів візуалізації зображень, класифікації, кластеризації і регресії для масивів даних отримуваних в результаті аналізу складних систем та їх структури.
Технології розробки: Python, Wolfram Mathematica, Wolfram Cloud, Wolfram data analyst, MathCodeC++.
Технології для тестування: Python Unit testing, WolframUnit.
Розроблені методи спрямовані для фахівців з науки про дані та дата інжинірингу й дозволяють значно оптимізувати й збільшити ефективність їхньої роботи шляхом гібридного застосування в складних програних системах вбудованих процедур та функцій з близькоспоріднених мов Python та Wolfram Mathematica. The goal of the master's certification work is to develop direct and combined methods for image visualization, classification, clustering and regression for data sets obtained as a result of the analysis of complex systems and their structure.. Development technologies: Python, Wolfram Mathematica, Wolfram Cloud, Wolfram data analyst, MathCodeC++. Technologies for testing: Python Unit testing, WolframUnit. The developed methods are aimed at specialists in data science and data engineering and can significantly optimize and increase the efficiency of their work through the hybrid use of built-in procedures and functions from closely related programming languages Python and Wolfram Mathematica in complex software systems. |
| Зміст: | ЗМІСТ 6 1. ВСТУП. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ. ПОСТАНОВКА ПРОБЛЕМИ 7 2. ЗАСОБИ ВІЗУАЛІЗАЦІЇ В PYTHON ТА MATHEMATICA. 9 2.1. Комп'ютерний зір та машинне навчання 9 2.2. Python і Mathematica як засоби для гібридної візуалізації 13 3. КЛАСИФІКАЦІЯ. РОЗРОБКА МЕТОДІВ КЛАСТЕРИЗАЦІЇ. РОЗРОБКА МЕТОДІВ РЕГРЕСІЇ 17 3.1. Класифікація найближчих сусідів 17 3.2. Логістична регресія 25 3.3. Розпізнавання цифр 30 3.4. Теоретичні основи кластеризації 45 3.5. Кластеризація зображень. 54 3.6. Просторова кластеризація додатків із шумом на основі щільності 57 3.7. Сегментація МРТ головного мозку 64 3.8. Сегментація зображення папуги 66 3.10. Реконструкція поверхні 75 3.11. Границі кільця Сатурна як задача нелінійної регресії 80 4. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 86 4.1. Охорона праці 86 4.2. Безпека в надзвичайних ситуаціях 90 ВИСНОВКИ 94 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 95 ДОДАТКИ 97 ДОДАТОК А 98 1. ПІДСТАВИ ДО РОЗРОБКИ 100 2. ПРИЗНАЧЕННЯ ІНФОРМАЦІЙНОЇ СИСТЕМИ 100 3 ВИМОГИ ДО ІНФОРМАЦІЙНОЇ СИСТЕМИ 100 3.1 Функціональні вимоги 100 3.2 Технічні вимоги 101 3.3 Програмні вимоги 101 4 ЕТАПИ РОЗРОБКИ 101 5 СУПРОВІДНА ДОКУМЕНТАЦІЯ 102 6 ПОРЯДОК ЗДАЧІ ПРОЕКТУ 102 7. ВІДМІТКИ ПРО ВИКОНАННЯ ЕТАПІВ ТА ЗМІНИ В ПРОЕКТІ 102 ДОДАТОК Б 103 ДОДАТОК В 104 |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/44466 |
| Власник авторського права: | © Войтович Ростислав Вікторович, 2023 |
| Перелік літератури: | 1. Banerjee T (2018): Deep Learning and Computer Vision: Converting Models for the Wolfram Neural Net Repository, Wolfram Blog, https://blog.wolfram.com/2018/12/06/deep-learning-andcomputer- vision-converting-models-for-the-wolfram-neural-net-repository/ 2. Brownlee J. (2016): Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras, https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neuralnetworks- python-keras/ 3. Chollet F (2017): Keras: The Python Deep Learning library, Keras Documentation, https://keras.io/ 4. Chollet F (2018): Deep Learning with Python, Manning Publications Co., Shelter Island, NY Deshpande M (2017): Perceptrons: The First Neural Networks, https://pythonmachinelearning.pro/perceptrons-the-first-neural-networks/ 5. Freeman J A (1994): Simulating Neural Networks with Mathematica, Addison-Wesley, Massachusetts 6. Haykin S. (2009): Neural Networks and Learning Machines,Third Edition,Prentice Hall,New York, London, Sydney, 7. Hu X, Yuan Y (2016): Deep-Learning-Based Classification for DTM Extraction from ALS Point Cloud, Remote Sens. 2016, 8, p.730 8. Melnikov O (2017): Trouble fitting simple data with MLPRegressor, stackoverflow https://stackoverflow.com/questions/41069905/trouble-fitting-simple-data-with-mlpregressor 9. Raschka S (2018): Neural Network - Multilayer Perceptron, http://rasbt.github.io/mlxtend/user_guide/classifier/MultiLayerPerceptron/ 10. Redmon J (2017) Mathematica implementation of YOLO, a computer vision object detection mode Object detection and localization using neuralnetwork, Mathematica Stack Exchange Network https://mathematica.stackexchange.com/questions/141598/object-detection-and-localizationusing- neural-network |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 121 — інженерія програмного забезпечення |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| dyplom_Voitovych_2023.pdf | 5,29 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора