1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври)
Utilizza questo identificativo per citare o creare un link a questo documento: http://elartu.tntu.edu.ua/handle/lib/49687
Titolo: Розроблення автоматизованої системи проєктування моделей нейронних мереж для задач прогнозування
Titoli alternativi: Development of an Automated System for Designing Neural Network Models for Forecasting Tasks
Autori: Тимощук, Віталій Дмитрович
Tymoshchuk, Vitaliy
Affiliation: Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії. Кафедра комп’ютерно-інтегрованих технологій
Bibliographic description (Ukraine): Тимощук В.Д. – Розроблення автоматизованої системи проєктування моделей нейронних мереж для задач прогнозування.: кваліфікаційна робота бакалавра за спеціальністю „151 — автоматизація та комп’ютерно-інтегровані технології“ / В.Д. Тимощук — Тернопіль : ТНТУ, 2025. — 65 с.
Data: 25-giu-2025
Date of entry: 9-lug-2025
Editore: Тернопіль, ТНТУ
Country (code): UA
Place of the edition/event: Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії. Кафедра комп’ютерно-інтегрованих технологій
Institution defense: ЕК №20, 2025 р.
Supervisor: Микитишин, Андрій Григорович
Mykytyshyn, Andrii
Committee members: Марущак, Павло Орестович
Maruschak, Pavlo
UDC: 004.45
Parole chiave: AutoML
GPU-прискорення
Keras Tuner
PyQt
Docker
TensorFlow
NAS
GPU acceleration
Number of pages: 65
Abstract: У роботі реалізовано універсальну платформу для автоматизованого проєктування нейронних мереж, що підтримує ручний, напів-автоматичний і повністю автоматичний режими. Система об’єднує рушій TensorFlow із GPU-прискоренням, бібліотеку Keras Tuner для NAS-пошуку, інтерактивний графічний інтерфейс на PyQt 6 та контейнеризацію Docker для бітової відтворюваності. Платформа забезпечує візуалізацію метрик у реальному часі, раннє припинення неефективних конфігурацій і автоматичне збереження версій моделей, що скорочує час експериментів і зменшує вимоги до спеціалізованих знань. Результати тестування засвідчили стабільну роботу GUI, ефективний підбір гіперпараметрів та пошук оптимальної моделі. The paper implements a universal platform for automated neural network design that supports manual, semi-automatic, and fully automatic modes. The system combines the GPU-accelerated TensorFlow engine, the Keras Tuner library for NAS search, an interactive graphical interface in PyQt 6, and Docker containerisation for bitwise reproducibility. The platform provides real-time visualisation of metrics, early termination of inefficient configurations, and automatic saving of model versions, which reduces experimentation time and reduces the need for specialised knowledge. The test results showed stable operation of the GUI, efficient selection of hyperparameters and search for the optimal model.
Descrizione: Роботу виконано на кафедрі ком’пютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України Захист відбудеться 25 червня 2025 р. о 09.00 годині на засіданні екзаменаційної комісії № 20 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул.Руська, 56, навчальний корпус №1, ауд. 403
Content: ВСТУП 8 1. АНАЛІТИЧНА ЧАСТИНА 10 1.1. Сутність та класифікація задач прогнозування. 10 1.2. Сучасні підходи до AutoML та NAS. 13 1.3 Методологія оцінювання якості моделей прогнозування та стратегії валідації. 15 2. ПРОЄКТНА ЧАСТИНА 18 2.1. Python 3 як базова мова програмування. 18 2.2 Застосування PyQt 6. 19 2.3 Обчислювальний двигун глибокого навчання TensorFlow. 22 2.4 Автоматичний підбор гіперпараметрів нейронних моделей 24 2.5. Стек обробки й візуалізації даних. 26 2.6. Контейнеризації Docker. 28 3 СПЕЦІАЛЬНА ЧАСТИНА 30 3.1 Створення графічного інтерфейсу. 30 3.2. Реалізація ядра навчання. 37 3.3. Перевірка працездатності на базових сценаріях. 41 3.4. Контейнеризація та складання фінального Docker-образу. 44 4 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 48 4.1. Вимог з охорони праці і техніки безпеки при роботі з ПК 48 4.2. Вимоги ергономіки до організації робочого місця оператора ПК. 51 4.3. Безпека в надзвичайних ситуаціях 53 ВИСНОВКИ 56 ПЕРЕЛІК ПОСИЛАНЬ 58
URI: http://elartu.tntu.edu.ua/handle/lib/49687
Copyright owner: © Тимощук В.Д., 2025
References (Ukraine): 1. Shah D. N., Thaker M. A Review of Time Series Forecasting Methods [Електронний ресурс] // International Journal of Research and Analytical Reviews. – 2024. – Vol. 11, № 2. – P. 749. – URL: https://www.researchgate.net/publication/379862462_A_Review_of_Time_Series_Forecasting_Methods.
2. Kim J., Kim H., Kim H., Lee D., Yoon S. A Comprehensive Survey of Deep Learning for Time Series Forecasting: Architectural Diversity and Open Challenges [Електронний ресурс]. – arXiv preprint arXiv:2411.05793. – 2024. – URL: https://arxiv.org/abs/2411.05793.
3. Schlembach F., Smirnov E., Koprinska I. та ін. Conformal multistep-ahead multivariate time-series forecasting [Електронний ресурс] // Machine Learning. – 2025. – Vol. 114, Art. 165. – URL: https://link.springer.com/article/10.1007/s10994-024-06722-9.
4. Schlembach F., Smirnov E., Koprinska I. та ін. Conformal multistep-ahead multivariate time-series forecasting [Електронний ресурс]. – SpringerLink, 2025. – URL: https://link.springer.com/article/10.1007/s10994-024-06722-9.
5. Fatima S. S. W., Rahimi A. A Review of Time-Series Forecasting Algorithms for Industrial Manufacturing Systems [Електронний ресурс] // Machines. – 2024. – Vol. 12, № 6, Art. 380. – URL: https://www.mdpi.com/2075-1702/12/6/380.
6. Mitigating Long-Term Forecasting Bias in Time-Series Neural Networks via Ensemble of Short-Term Dependencies [Електронний ресурс] // Applied Sciences. – 2025. – Vol. 15, № 11, Art. 6371. – URL: https://www.mdpi.com/2076-3417/15/11/6371.
7. AutoML.org. Auto-sklearn 2.0: The Next Generation [Електронний ресурс]. – URL: https://www.automl.org/auto-sklearn-2-0-the-next-generation/.
8. AutoKeras Team. AutoKeras – An AutoML Library for Deep Learning [Електронний ресурс]. – URL: https://autokeras.com/.
9. Keras Team. Keras Tuner Documentation [Електронний ресурс]. – URL: https://keras.io/keras_tuner/.
10. Weights & Biases. Define Sweep Configuration [Електронний ресурс]. – URL: https://docs.wandb.ai/guides/sweeps/define-sweep-configuration/.
11. Sony AI. Sony DL Story [Електронний ресурс]. – URL: https://dl.sony.com/story/.
12. Altair Engineering. Altair AI Studio [Електронний ресурс]. – URL: https://altair.com/altair-ai-studio.
13. RapidMiner. Auto Model Guide (Studio 2024.0) [Електронний ресурс]. – URL: https://docs.rapidminer.com/2024.0/studio/guided/auto-model/.
14. Conformal Prediction for Time-Series Forecasting [Електронний ресурс] // AI Communications. – 2024. – URL: https://journals.sagepub.com/doi/abs/10.3233/AIC-230063.
15. Bohrium Analytics. An Overview of Performance Evaluation Metrics for Short-Term Statistical Wind Power Forecasting [Електронний ресурс]. – URL: https://www.bohrium.com/paper-details/an-overview-of-performance-evaluation-metrics-for-short-term-statistical-wind-power-forecasting/812547254882664448-3818.
16. Number Analytics. Ultimate MAPE — Forecast Accuracy [Електронний ресурс]. – URL: https://www.numberanalytics.com/blog/ultimate-mape-forecast-accuracy.
17. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. Section TsCV [Електронний ресурс]. – URL: https://otexts.com/fpp3/tscv.html.
18. Fahad A. Understanding Walk-Forward Validation in Time-Series Analysis [Електронний ресурс]. – Medium, 2024. – URL: https://medium.com/@ahmedfahad04/understanding-walk-forward-validation-in-time-series-analysis-a-practical-guide-ea3814015abf.
19. Explainable Time-Series Forecasting with RL [Електронний ресурс] // AAAI 2024 Proceedings. – URL: https://ojs.aaai.org/index.php/AAAI/article/view/34029.
20. Mayank B. та ін. Forecasting Time Series with LLMs via Patch-Based Prompting and Decomposition [Електронний ресурс]. – arXiv preprint arXiv:2505.08158. – 2025. – URL: https://arxiv.org/html/2505.08158v1.
21. The Forecaster Blog. Conformal Predictions in Time-Series Forecasting [Електронний ресурс]. – URL: https://medium.com/the-forecaster/conformal-predictions-in-time-series-forecasting-32d3243d7479.
22. Weights & Biases. Sweeps Tutorials [Електронний ресурс]. – URL: https://docs.wandb.ai/tutorials/sweeps/.
23. Weights & Biases. Guide to Sweeps [Електронний ресурс]. – URL: https://docs.wandb.ai/guides/sweeps/.
24. Weights & Biases. Sweeps User Guide [Електронний ресурс]. – URL: https://docs.wandb.ai/guides/sweeps/.
25. RapidMiner. Auto Model Guide (Studio 2024.0) [Електронний ресурс]. – URL: http://docs.rapidminer.com/2024.0/studio/guided/auto-model/.
26. Методичні рекомендації з виконання, оформлення та захисту кваліфікаційних робіт бакалаврів спеціальності 151 – «Автоматизація та комп’ютерно-інтегровані технології» / ТНТУ ім. І. Пулюя; уклад. А.Г. Микитишин, В.В. Левицький, Р.І. Королюк – Тернопіль: ТНТУ, 2023. – 81с.
27. Python Software Foundation. Python 3.12.0 Release Notes [Електронний ресурс]. – URL: https://www.python.org/downloads/release/python-3120/.
28. Python Software Foundation. venv — Creation of Virtual Environments [Електронний ресурс]. – URL: https://docs.python.org/3/library/venv.html.
29. Python Software Foundation. What’s New in Python 3.3 [Електронний ресурс]. – URL: https://docs.python.org/3/whatsnew/3.3.html.
30. Licenseware. Retrospective on Anaconda’s 2024 Licensing Changes [Електронний ресурс]. – URL: https://licenseware.io/retrospective-on-anacondas-2024-licensing-changes-what-they-mean-and-smarter-alternatives/.
31. Python Packaging Authority. pyproject.toml — Build-System Configuration [Електронний ресурс]. – URL: https://pip.pypa.io/en/latest/reference/build-system/pyproject-toml/.
32. Python Package Index. PyPI Home Page [Електронний ресурс]. – URL: https://pypi.org/.
33. Frontiers in Computer Science. Large-Scale Time-Series Forecasting Benchmarks [Електронний ресурс]. – URL: https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2024.1491823/full.
34. Qt Company. Qt 5.15 LTS: New Features Overview [Електронний ресурс]. – 2023. – URL: https://www.qt.io.
35. Qt Company. Qt 6 Rendering Hardware Interface (RHI) White Paper [Електронний ресурс]. – 2024. – URL: https://www.qt.io.
36. Blanchette J., Summerfield M. C++ GUI Programming with Qt 5. – 2-е вид. – Addison-Wesley, 2024. – 1024 с.
37. Weller B. High-Performance Data Visualization with Qt Charts [Електронний ресурс] // ACM SIGGRAPH. – 2023. – URL: https://dl.acm.org.
38. Rettig S. Secure RESTful Patterns in Qt Network [Електронний ресурс] // IEEE Software. – 2025. – URL: https://ieeexplore.ieee.org.
39. Kuznetsov P. Accessibility Compliance of Qt Applications on Linux and Windows [Електронний ресурс] // Journal of Open Source Accessibility. – 2024. – URL: https://josa.org.
40. PyInstaller Development Team. PyInstaller 6.0 Documentation [Електронний ресурс]. – 2024. – URL: https://pyinstaller.org.
41. Author’s benchmarking results. Appendix C of the dissertation. – 2025. – 75 с.
42. TensorFlow Team. Intro to Graphs [Електронний ресурс]. – URL: https://www.tensorflow.org/guide/intro_to_graphs.
43. TensorFlow Team. tf.function Guide [Електронний ресурс]. – URL: https://www.tensorflow.org/guide/function.
44. Petrofsky D. TensorFlow GPU Setup 2024 [Електронний ресурс]. – Medium, 2024. – URL: https://medium.com/@david.petrofsky/tensorflow-gpu-setup-2024-d9bc2b04b5c5.
45. TensorFlow Team. Mixed Precision Training [Електронний ресурс]. – URL: https://www.tensorflow.org/guide/mixed_precision.
46. TensorFlow Team. Distributed Training Guide [Електронний ресурс]. – URL: https://www.tensorflow.org/guide/distributed_training.
47. Ray Initiative. Distributed TensorFlow-Keras with Ray Train [Електронний ресурс]. – URL: https://docs.ray.io/en/latest/train/distributed-tensorflow-keras.html.
48. NVIDIA. TensorFlow User Guide for NVIDIA GPUs [Електронний ресурс]. – URL: https://docs.nvidia.com/deeplearning/frameworks/tensorflow-user-guide/.
49. O’Malley T. та ін. Keras Tuner: Scalable Hyperparameter Optimization for Deep Learning [Електронний ресурс] // MLSys Proceedings. – 2023. – URL: https://proceedings.mlsys.org.
50. Li L., Jamieson K. Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization [Електронний ресурс] // ICLR. – 2017. – URL: https://arxiv.org/abs/1603.06560.
51. Keras Tuner Team. API Reference v1.4 [Електронний ресурс]. – 2025-03-12. – URL: https://keras.io/keras_tuner/api/.
52. Akkus O. Mixed Precision Training in TensorFlow 2.x [Електронний ресурс] // IEEE Access. – 2024. – URL: https://ieeexplore.ieee.org.
53. Knowles J. ParEGO: A Hybrid Algorithm with On-Line Landscape Approximation for Expensive Multiobjective Optimization Problems [Електронний ресурс] // IEEE TEVC. – 2006. – URL: https://ieeexplore.ieee.org.
54. Keras Tuner Team. Dashboard Release Notes v0.9 [Електронний ресурс]. – 2024-11-08. – URL: https://keras.io/keras_tuner/releases/.
55. Микитишин А.Г., Митник М.М., Стухляк П.Д. Телекомунікаційні системи та мережі : навчальний посібник для студентів спеціальності 151 «Автоматизація та комп’ютерно-інтегровані технології» – Тернопіль: Тернопільський національний технічний університет імені Івана Пулюя, 2017 – 384 с.
56. NumPy Developers. numpy.vectorize — Reference Guide [Електронний ресурс]. – URL: https://numpy.org/doc/stable/reference/generated/numpy.vectorize.html.
57. Moldstud Analytics. How NumPy Enhances Machine Learning Efficiency [Електронний ресурс]. – URL: https://moldstud.com/articles/p-how-numpy-enhances-machine-learning-efficiency-and-performance.
58. pandas Development Team. Pandas Home Page [Електронний ресурс]. – URL: https://pandas.pydata.org/.
59. Микитишин А.Г., Митник, П.Д. Стухляк. Комплексна безпека інформаційних мережевих систем: навчальний посібник – Тернопіль: Вид-во ТНТУ імені Івана Пулюя, 2016. – 256 с.
60. SciPy Proceedings. Gerudo F2bc6f59 Talk [Електронний ресурс]. – URL: https://proceedings.scipy.org/articles/gerudo-f2bc6f59-00e.
61. PyQtGraph Developers. PyQtGraph Project Home [Електронний ресурс]. – URL: https://github.com/pyqtgraph/pyqtgraph.
62. Stack Overflow. Realtime Visualisation Bottleneck with PyQtGraph PlotCurveItem [Електронний ресурс]. – URL: https://stackoverflow.com/questions/63855707/realtime-visualisation-bottleneck-with-pyqtgraph-plotcurveitem.
63. Docker Docs. Multi-Stage Builds [Електронний ресурс]. – URL: https://docs.docker.com/build/building/multi-stage/.
64. Docker Hub. python:3.12-slim Image Layers [Електронний ресурс]. – URL: https://hub.docker.com/layers/library/python/3.12-slim/images/sha256-2578148b0dca1066e91384ed13dee56cea3ccca234513f3af907bd7d92ce554a.
65. Docker Hub. Python Official Image [Електронний ресурс]. – URL: https://hub.docker.com/_/python.
66. А.Г. Микитишин, М.М. Митник, П.Д. Стухляк, В.В. Пасічник Комп’ютерні мережі. Книга 2. [навчальний посібник] (Лист МОНУ №1/11-11650 від 16.07.12р.) - Львів, "Магнолія 2006", 2014. – 312 с.
67. NVIDIA. Container Toolkit — Install Guide [Електронний ресурс]. – URL: https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html.
68. NVIDIA. nvidia-container-toolkit GitHub Repository [Електронний ресурс]. – URL: https://github.com/NVIDIA/nvidia-container-toolkit.
69. NVIDIA. AI Enterprise on VMware: Docker Deployment [Електронний ресурс]. – URL: https://docs.nvidia.com/ai-enterprise/deployment/vmware/latest/docker.html.
70. Docker Blog. Multi-Arch Build and Images the Simple Way [Електронний ресурс]. – URL: https://www.docker.com/blog/multi-arch-build-and-images-the-simple-way/.
71. Docker Blog. Buildx for Multi-Architecture Images [Електронний ресурс]. – URL: https://www.docker.com/blog/how-to-rapidly-build-multi-architecture-images-with-buildx/.
72. Docker Docs. Building Multi-Platform Images [Електронний ресурс]. – URL: https://docs.docker.com/build/building/multi-platform/.
73. А.Г. Микитишин, М.М. Митник, П.Д. Стухляк, В.В. Пасічник Комп’ютерні мережі. Книга 1. [навчальний посібник] (Лист МОНУ №1/11-8052 від 28.05.12р.) - Львів, "Магнолія 2006", 2013. – 256 с.
74. K21 Academy. Docker Image Vulnerabilities [Електронний ресурс]. – URL: https://k21academy.com/docker-kubernetes/docker-image-vulnerabilities/.
75. Житецький В.Ц. Основи охорони праці.- Львів: Афіша, 2000.- 350 с.
76. Губський А. І., Цивільна оборона.- К.: Міністерство освіти, 1995. - 216 с.
77. Пістун І.П., “Безпека життєдіяльності” – Суми: Університетська книга, 2000, - 302с.
78. Депутат О.П., Коваленко І.В., Мужик І.С. Цивільна оборона. Навчальний посібник / За ред. Полковника В.С.Франчука. – Львів : Афіша, 2000. – 336с.
Content type: Bachelor Thesis
È visualizzato nelle collezioni:151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври)

File in questo documento:
File Descrizione DimensioniFormato 
KRB_Tymoshchuk_V_2025.pdfКваліфікаційна робота бакалавра1,88 MBAdobe PDFVisualizza/apri
Visualizza tutti i metadati del documento


Tutti i documenti archiviati in DSpace sono protetti da copyright. Tutti i diritti riservati.

Strumenti di amministrazione