1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 126 — інформаційні системи та технології
Palun kasuta seda identifikaatorit viitamiseks ja linkimiseks: http://elartu.tntu.edu.ua/handle/lib/47054
Täiskirje
DC väliVäärtusKeel
dc.contributor.advisorКунанець, Наталія Едуардівна-
dc.contributor.advisorKunanets, Nataliia-
dc.contributor.authorВолинець, Леонід Васильович-
dc.contributor.authorVolynets, Leonid-
dc.date.accessioned2025-01-03T12:43:31Z-
dc.date.available2025-01-03T12:43:31Z-
dc.date.issued2024-12-27-
dc.date.submitted2024-12-13-
dc.identifier.citationВолинець Л. В. Дослідження інтелектуальних методів опрацювання біомедичних наборів великих даних : робота на здобуття кваліфікаційного ступеня магістра : спец. 126 – інформаційні системи та технології / наук. кер. Н. Е. Кунанець. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 67 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/47054-
dc.descriptionРоботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 27.12.2024 р. о 13 год. на засіданні екзаменаційної комісії №38 у Тернопільському національному технічному університеті імені Івана Пулюяuk_UA
dc.description.abstractКваліфікаційна робота присвячена дослідженню інтелектуальних методів опрацювання біомедичних наборів великих даних. В першому розділі кваліфікаційної роботи освітнього рівня «Магістр» описано аналіз стану досліджень в галузі великих даних для медицини. Розглянуто штучний інтелект. Проаналізовано інноваційний концепт «Великі дані». Проведено вибір і уточнення ключових слів для наукометричного пошуку. Описано результати наукометричного пошуку. В другому розділі кваліфікаційної роботи подано опис результатів наукометричного пошуку. Розглянуто інноваційний концепт «Big Data Analytics». Висвітлено особливості BDA в охороні здоров'я. Досліджено методи машинного навчання для опрацювання біомедичних наборів великих даних. В третьому розділі кваліфікаційної роботи описано результати моделювання та експериментів. Розглянуто налаштування параметрів і метрики оцінки. Подано експериментальні статистичні результати інтелектуальних методів опрацювання біомедичних наборів великих даних. Описано експериментальні результати застосування інтелектуальних методів опрацювання біомедичних наборів великих даних. Розглянуто опрацювання даних. У розділі «Охорона праці та безпека в надзвичайних ситуаціях» проаналізовано психологічні чинники небезпеки. Описано вимоги пожежної безпеки при гасінні електроустановокuk_UA
dc.description.abstractThe qualification work is devoted to the study of intelligent methods for processing biomedical big data sets. The first section of the qualification work for the educational level "Master" describes the analysis of the state of research in the field of big data for medicine. Artificial intelligence is considered. The innovative concept of "Big Data" is analyzed. The selection and refinement of keywords for scientometric search are carried out. The results of the scientometric search are described. The second section of the qualification work provides a description of the results of the scientometric search. The innovative concept of "Big Data Analytics" is considered. The features of BDA in healthcare are highlighted. Machine learning methods for processing biomedical big data sets are investigated. The third section of the qualification work describes the results of modeling and experiments. Parameter settings and evaluation metrics are considered. Experimental statistical results of intelligent methods for processing biomedical big data sets are presented. Experimental results of the application of intelligent methods for processing biomedical big data sets are described. Data processing is considered. The section "Occupational Health and Safety in Emergency Situations" analyzes psychological risk factors. Fire safety requirements for extinguishing electrical installations are described.uk_UA
dc.description.tableofcontentsВСТУП 8 1 АНАЛІЗ СУЧАСНОГО СТАНУ ТА ТЕНДЕНЦІЙ ЗАСТОСУВАННЯ ВЕЛИКИХ ДАНИХ В МЕДИЦИНІ 11 1.1 Аналіз стану досліджень в галузі великих даних для медицини 11 1.2 Штучний інтелект 12 1.3 Інноваційний концепт «Великі дані» 18 1.4 Вибір і уточнення ключових слів 20 1.5 Опис результатів наукометричного пошуку 22 1.6 Висновок до першого розділу 25 2 МЕТОДИ АНАЛІЗУ ВЕЛИКИХ ДАНИХ В БІОМЕДИЦИНІ 26 2.1 Аналітика «великих даних» 26 2.2 BDA в охороні здоров'я 28 2.3 Методи машинного навчання для опрацювання біомедичних наборів великих даних 32 2.3.1 Алгоритм голодних ігор 32 2.3.2 Метод опорних векторів 35 2.3.3 Нечітка логіка 38 2.3.4 Фітнес-функція 42 2.4 Висновок до другого розділу 46 3 ЕКСПЕРИМЕНТАЛЬНА ОЦІНКА МЕТОДІВ 47 3.1 Налаштування параметрів і метрики оцінки 47 3.2 Експериментальні статистичні результати інтелектуальних методів опрацювання біомедичних наборів великих даних 49 3.3 Експериментальні результати застосування інтелектуальних методів опрацювання біомедичних наборів великих даних 54 3.4 Опрацювання даних 54 3.5 Висновок до третього розділу 56 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 57 4.1 Психологічні чинники небезпеки 57 4.2 Вимоги пожежної безпеки при гасінні електроустановок 60 ВИСНОВКИ 62 ПЕРЕЛІК ДЖЕРЕЛ 64 ДОДАТКИuk_UA
dc.format.extent67-
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.subjectінформаційні системи та технологіїuk_UA
dc.subjectаналіз данихuk_UA
dc.subjectбіомедичні даніuk_UA
dc.subjectвеликі даніuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectштучний інтелектuk_UA
dc.subjectartificial intelligenceuk_UA
dc.subjectbig datauk_UA
dc.subjectbiomedical datauk_UA
dc.subjectdata analysisuk_UA
dc.subjectmachine learninguk_UA
dc.titleДослідження інтелектуальних методів опрацювання біомедичних наборів великих данихuk_UA
dc.title.alternativeResearch of Intelligent Methods for Processing Biomedical Big Data Setsuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Волинець Леонід Васильович, 2024uk_UA
dc.coverage.placenameТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject.udc004.9uk_UA
dc.relation.references1 Castro EM, Van Regenmortel T, Vanhaecht K, Sermeus W, Van Hecke A. Patient empowerment, patient participation and patient-centeredness in hospital care: a concept analysis based on a literature review. Patient Educ Couns. 2016;99(12):1923–39uk_UA
dc.relation.references2 Yang JJ, Li J, Mulder J, Wang Y, Chen S, Wu H, Pan H. Emerging information technologies for enhanced healthcare. Comput Ind. 2015;69:3–11uk_UA
dc.relation.references3 Bodnarchuk, I., Skorenkyy, Y., Kramar, T., Duda, O., & Nykytyuk, V. (2022, November). Use of Analytical Hierarchy Process in Scenarios Design for a Digital Museum with XR components. In ITTAP (pp. 414-425)uk_UA
dc.relation.references4 Boerma T, Requejo J, Victora CG, Amouzou A, Asha G, Agyepong I, Borghi J. Countdown to 2030: tracking progress towards universal coverage for reproductive, maternal, newborn, and child health. Lancet. 2018;391(10129):1538–48uk_UA
dc.relation.references5 Thuemmler C. The case for health 4.0. In: Thuemmler C, Bai C, editors. Health 4.0: how virtualization and big data are revolutionizing healthcare. New York: Springer; 2017uk_UA
dc.relation.references6 Mikalef P, Krogstie J. Big data analytics as an enabler of process innovation capabilities: a configurational approach. In: International conference on business process management. Cham: Springer; 2018. p. 426–41uk_UA
dc.relation.references7 Duda, O., Matsiuk, O., Kunanets, N., Pasichnyk, V., Rzheuskyi, A., & Bilak, Y. (2021). Formation of hypercubes based on data obtained from systems of IoT devices of urban resource networks. International Journal of Sensors Wireless Communications and Control, 11(5), 498-504uk_UA
dc.relation.references8 Dhamija, P.; Bag, S. Role of artificial intelligence in operations environment: A review and bibliometric analysis. TQM J. 2020, 32, 869–896uk_UA
dc.relation.references9 Mc Carthy, J.; Hayes, P.J. Some Philosophical Problems from The Standpoint of Artificial Intelligence. In Readings in Artificial Intelligence; Elsevier: Amsterdam, The Netherlands, 1981; pp. 431–450uk_UA
dc.relation.references10 Duda, O., Pasichnyk, V., Lypak, H., Veretennikova, N., Kunanets, N., Matsiuk, O., & Mudrokha, V. (2021). Formation of Integrated Repositories of Social and Communication Data by Consolidating the Resources of Museums, Libraries and Archives in Smart Cities Projects. In COLINS (pp. 1420-1430)uk_UA
dc.relation.references11 Haenlein, M.; Kaplan, A. A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. Calif. Manag. Rev. 2019, 61, 5–14uk_UA
dc.relation.references12 Duda, Oleksii, et al. "Multidimensional representation of covid-19 data using olap information technology." 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT). Vol. 2. IEEE, 2020. 13 Kaplan, A.; Haenlein, M. Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Bus. Horiz. 2019, 62, 15–25uk_UA
dc.relation.references14 Issa, H.; Sun, T.; Vasarhelyi, M.A. Research ideas for artificial intelligence in auditing: The formalization of audit and workforce supplementation. J. Emerg. Technol. Account. 2016, 13, 1–20uk_UA
dc.relation.references15 Ihor, Bodnarchuk, et al. "Choice method of analytical platform for smart cities." CEUR Workshop Proceedings. 2020uk_UA
dc.relation.references16 Ghahramani, Z. Probabilistic machine learning and artificial intelligence. Nature 2015, 521, 452–459uk_UA
dc.relation.references17 Di Vaio, A.; Palladino, R.; Hassan, R.; Escobar, O. Artificial intelligence and business models in the sustainable development goals perspective: A systematic literature review. J. Bus. Res. 2020, 121, 283–314uk_UA
dc.relation.references18 Wiener, M.; Saunders, C.; Marabelli, M. Big-data business models: A critical literature review and multiperspective research framework. J. Inf. Technol. 2020, 35uk_UA
dc.relation.references19 Bragazzi, N.L.; Dai, H.; Damiani, G.; Behzadifar, M.; Martini, M.; Wu, J. How big data and artificial intelligence can help better manage the COVID-19 pandemic. Int. J. Environ. Res. Public Health 2020, 17, 3176uk_UA
dc.relation.references20 Dwivedi, Y.K.; Hughes, L.; Ismagilova, E.; Aarts, G.; Coombs, C.; Crick, T.; Duan, Y.; Dwivedi, R.; Edwards, J.; Eirug, A. Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. Int. J. Inf. Manag. 2021, 57, 101994uk_UA
dc.relation.references21 Patel, J.; Shah, S.; Thakkar, P.; Kotecha, K. Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Syst. Appl. 2015, 42, 259–268uk_UA
dc.relation.references22 Yu, D.; Xu, Z.; Wang, X. Bibliometric analysis of support vector machines research trend: A case study in China. Int. J. Mach. Learn. Cybern. 2020, 11, 715–728uk_UA
dc.relation.references23 Sun, N.; Morris, J.G.; Xu, J.; Zhu, X.; Xie, M. iCARE: A framework for big data-based banking customer analytics. IBM J. Res. Dev. 2014, 58, 1–4uk_UA
dc.relation.references24 Faust, O.; Hagiwara, Y.; Hong, T.J.; Lih, O.S.; Acharya, U.R. Deep learning for healthcare applications based on physiological signals: A review. Comput. Methods Programs Biomed. 2018, 161, 1–13uk_UA
dc.relation.references25 Mukherjee, S.; Bala, P.K. Detecting sarcasm in customer tweets: An NLP based approach. Ind. Manag. Data Syst. 2017, 10uk_UA
dc.relation.references26 Chen, X.; Xie, H.; Wang, F.L.; Liu, Z.; Xu, J.; Hao, T. A bibliometric analysis of natural language processing in medical research. BMC Med. Inform. Decis. Mak. 2018, 18, 1–14uk_UA
dc.relation.references27 O’Leary, D.E. Massive data language models and conversational artificial intelligence: Emerging issues. Intell. Syst. Account. Financ. Manag. 2022, 29, 182uk_UA
dc.relation.references28 Goeldner, M.; Herstatt, C.; Tietze, F. The emergence of care robotics—A patent and publication analysis. Technol. Forecast. Soc. Chang. 2015, 92, 115–131uk_UA
dc.relation.references29 Huang, F.; Vasarhelyi, M.A. Applying robotic process automation (RPA) in auditing: A framework. Int. J. Account. Inf. Syst. 2019, 35, 100433uk_UA
dc.relation.references30 Lin, S.-S.; Shen, S.-L.; Zhou, A.; Xu, Y.-S. Risk assessment and management of excavation system based on fuzzy set theory and machine learning methods. Autom. Constr. 2021, 122, 103490uk_UA
dc.relation.references31 Zyoud, S.H.; Zyoud, A.H. Visualization and Mapping of Knowledge and Science Landscapes in Expert Systems with Applications Journal: A 30 Years’ Bibliometric Analysis. SAGE Open 2021, 11, 21582440211027574uk_UA
dc.relation.references32 Wamba, S.F.; Bawack, R.E.; Guthrie, C.; Queiroz, M.M.; Carillo, K.D.A. Are we preparing for a good AI society? A bibliometric review and research agenda. Technol. Forecast. Soc. Chang. 2021, 164, 120482uk_UA
dc.relation.references33 Gupta, D.; Rani, R. A study of big data evolution and research challenges. J. Inf. Sci. 2019, 45, 322–340uk_UA
dc.relation.references34 Hashem, I.A.T.; Chang, V.; Anuar, N.B.; Adewole, K.; Yaqoob, I.; Gani, A.; Ahmed, E.; Chiroma, H. The role of big data in smart city. Int. J. Inf. Manag. 2016, 36, 748–758uk_UA
dc.relation.references35 Khanra, S.; Dhir, A.; Mäntymäki, M. Big data analytics and enterprises: A bibliometric synthesis of the literature. Enterp. Inf. Syst. 2020, 14, 737–768uk_UA
dc.relation.references36 Mehmood, M.U.; Chun, D.; Han, H.; Jeon, G.; Chen, K. A review of the applications of artificial intelligence and big data to buildings for energy-efficiency and a comfortable indoor living environment. Energy Build. 2019, 202, 109383uk_UA
dc.relation.references37 Bendre, M.R.; Thool, V.R. Analytics, challenges and applications in big data environment: A survey. J. Manag. Anal. 2016, 3, 206–239uk_UA
dc.relation.references38 Thayyib, P. V., et al. "State-of-the-Art of Artificial Intelligence and Big Data Analytics Reviews in Five Different Domains: A Bibliometric Summary." Sustainability 15.5 (2023): 4026uk_UA
dc.relation.references39 Chen, H.; Chiang, R.H.; Storey, V.C. Business intelligence and analytics: From big data to big impact. MIS Q. 2012, 1, 1165–1188uk_UA
dc.relation.references40 Abdollahi, A.; Rejeb, K.; Rejeb, A.; Mostafa, M.M.; Zailani, S. Wireless Sensor Networks in Agriculture: Insights from Bibliometric Analysis. Sustainability 2021, 13, 12011uk_UA
dc.relation.references41 Nicolae, B.; Moise, D.; Antoniu, G.; Bougé, L.; Dorier, M. BlobSeer: Bringing high throughput under heavy concurrency to Hadoop Map-Reduce applications. In Proceedings of the 2010 IEEE International Symposium on Parallel & Distributed Processing (IPDPS), Atlanta, GA, USA, 19–23 April 2010; pp. 1–11uk_UA
dc.relation.references42 Dean, J.; Ghemawat, S. MapReduce: Simplified data processing on large clusters. Commun. ACM 2008, 51, 107–113uk_UA
dc.relation.references43 Kang, Y.-S.; Park, I.-H.; Rhee, J.; Lee, Y.-H. MongoDB-based repository design for IoT-generated RFID/sensor big data. IEEE Sens. J. 2015, 16, 485–497uk_UA
dc.relation.references44 Zhu, J.; Zhuang, E.; Fu, J.; Baranowski, J.; Ford, A.; Shen, J. A framework-based approach to utility big data analytics. IEEE Trans. Power Syst. 2015, 31, 2455uk_UA
dc.relation.references45 Lv, Z.; Li, X.; Zhang, B.; Wang, W.; Zhu, Y.; Hu, J.; Feng, S. Managing big city information based on WebVRGIS. IEEE Access 2016, 4, 407–415uk_UA
dc.relation.references46 Chan, Y.-Y.; Qu, H. Finavistory: Using Narrative Visualization to Explain Social and Economic Relationships in Financial News. In Proceedings of the 2016 International Conference on Big Data and Smart Computing (BigComp), Hong Kong, China, 18–20 January 2016; pp. 32–39uk_UA
dc.relation.references47 Archenaa, J.; Anita, E.M. A survey of big data analytics in healthcare and government. Procedia Comput. Sci. 2015, 50, 408–413uk_UA
dc.relation.references48 dos Santos, B.S.; Steiner, M.T.A.; Fenerich, A.T.; Lima, R.H.P. Data mining and machine learning techniques applied to public health problems: A bibliometric analysis from 2009 to 2018. Comput. Ind. Eng. 2019, 138, 106120uk_UA
dc.relation.references49 Davenport TH, Harris JG. Competing on analytics, the new science of winning. Boston: Harvard Business School Publishing Corporation; 2007uk_UA
dc.relation.references50 Hu H, Wen Y, Chua TS, Li X. Toward scalable systems for big data analytics: a technology tutorial. IEEE Access. 2014;2:652–87uk_UA
dc.relation.references51 Liao, H.; Tang, M.; Luo, L.; Li, C.; Chiclana, F.; Zeng, X.-J. A bibliometric analysis and visualization of medical big data research. Sustainability 2018, 10, 166uk_UA
dc.relation.references52 Yutao Y, Huiling C, Asghar HA, Gandomi Amir H (2021) Hunger games search: visions, conception, implementation, deep analysis, perspectives, and towards performance shifts. Expert Syst Appl 177:114864uk_UA
dc.relation.references53 Houssein, Essam H., et al. "Fuzzy-based hunger games search algorithm for global optimization and feature selection using medical data." Neural Computing and Applications 35.7 (2023): 5251-5275uk_UA
dc.relation.references54 Rodriguez-Perez R, Vogt M, Bajorath J (2017) Support vector machine classification and regression prioritize different struc-tural features for binary compound activity and potency value prediction. ACS Omega 2(10):6371–6379uk_UA
dc.relation.references55 Kar D, Ghosh M, Guha R, Sarkar R, Garcia-Hernandez L, Abraham A (2020) Fuzzy mutation embedded hybrids of gravi-tational search and particle swarm optimization methods for engineering design problems. Eng Appl Artif Intell 95:103847uk_UA
dc.relation.references56 Erdal K, Andriy S, Simon C, Robert J, Ahmadieh KM (2018) Type-2 fuzzy elliptic membership functions for modeling uncertainty. Eng Appl Artif Intell 70:170uk_UA
dc.relation.references57 Houssein Essam H, Emre C¸ elik, Mahdy Mohamed A, Ghoniem Rania M (2022) Self-adaptive equilibrium optimizer for solving global, combinatorial, engineering, and multi-objective problems. Expert Syst Appl 195:116552uk_UA
dc.relation.references58 Andersen JL, Flamm C, Merkle D, Stadler PF (2016) A software package for chemically inspired graph transformation. In: Inter-national conference on graph transformation, Springer, pp 73–88uk_UA
dc.relation.references59 Психологічні чинники небезпеки. URL: https://subject.com.ua/safety/ bezpeka/30.htmluk_UA
dc.relation.references60 Психологія безпеки. URL: https://pidru4niki.com/70727/bzhd/ psihologiya_bezpekiuk_UA
dc.relation.references61 Дуднікова І.І. Безпека життєдіяльності. Навч. посібник. – 2-ге вид.,доп. – К.: Вид-во Європ. ун-ту, 2013. — 268 сuk_UA
dc.relation.references62 Вплив комп’ютера на здоров’я користувача http://mirgorod-gorono.at.ua/publ/metodob_39_ednannja_vchiteliv/inform/vpliv_komp_jutera_na_zdorov_ja_koristuvacha/26-1-0-238uk_UA
dc.relation.references63 Фактори впливу на функціональний стан користувачів комп'ютерів https://infopedia.su/15xefda.htmluk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, факультет комп’ютерно-інформаційних систем і програмної інженерії, кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
Asub kollektsiooni(de)s:126 — інформаційні системи та технології

Failid selles objektis:
Fail Kirjeldus SuurusFormaat 
Mag_2024_STm_61_Volynets_L_V_v43.pdfДипломна робота5,17 MBAdobe PDFVaata/Ava
Näita lihtkirjet Vaata statistikat


Kõik teosed on Dspaces autoriõiguste kaitse all.

Admin vahendid