1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 122 — Компʼютерні науки, F3 Комп’ютерні науки (бакалаври)
Denne identifikatoren kan du bruke til å sitere eller lenke til denne innførselen: http://elartu.tntu.edu.ua/handle/lib/52625
Tittel: Формування концепту "розумне місто" на основі методів, керованих даними
Alternative titler: Forming the "Smart City" Concept Based on Data-Driven Methods
Authors: Савик, Орест Олегович
Savyk, Orest
Affiliation: Тернопільський національний технічний університет імені ім. І. Пулюя
Bibliographic reference (2015): Савик О. О. Формування концепту "розумне місто" на основі методів, керованих даними : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. Н. Е. Кунанець. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 71 с.
Utgivelsesdato: 25-jun-2026
Submitted date: 11-jun-2026
Date of entry: 24-jun-2026
Forlag: Тернопільський національний технічний університет імені ім. І. Пулюя
Country (code): UA
Place of the edition/event: Тернопіль
Supervisor: Кунанець, Наталія Едуардівна
Kunanets, Natalia
UDC: 004.9
Emneord: 122
комп’ютерні науки
аналітичне опрацювання даних
міське управління
моделювання міських систем
прогнозування міського розвитку
сталий розвиток міст
управління на основі даних
цифрова трансформація міського середовища
analytical data processing
urban management
urban systems modeling
urban development forecasting
sustainable urban development
data-driven management
digital transformation of the urban environment
Page range: 71
Abstrakt: Кваліфікаційна робота присвячена формуванню концепту «розумне місто» на основі методів керованих даними. В першому розділі кваліфікаційної роботи подано теоретико-методологічні засади розбудови концепту «розумне місто». Висвітлено концептуалізацію структури «розумного міста» як інструменту сталого управління міськими ресурсами на основі даних. Розглянуто функціональну структуру та завдання концепту «розумне місто». Проаналізовано відмінності між «розумними містами» та традиційними дослідженнями міської науки. В другому розділі кваліфікаційної роботи досліджено цілі сталого міського розвитку в умовах «розумних міст». Розглянута методологія «розумного міста» з інтенсивним використанням даних. Описано «розумні» міські обчислення на основі даних. Проаналізоване кероване даними прогнозування для потреб «розумних міст». Висвітлено кероване даними моделювання для потреб «розумних міст». Досліджено керовані даними системи супроводу процесів прийняття рішень «розумних міст». В третьому розділі кваліфікаційної роботи подано сценарії застосування методів керованих даними у підсистемах «розумного міста». Описано прототипування сталого «розумного міста» майбутнього. Проаналізовано застосування методів аналізу даних для підтримки управлінських рішень.
The qualification work is devoted to the formation of the concept of a “smart city” based on data-driven methods. The first chapter of the qualification work presents the theoretical and methodological foundations of developing the “smart city” concept. It highlights the conceptualization of the “smart city” structure as a tool for sustainable management of urban resources based on data. The functional structure and objectives of the “smart city” concept are considered. Differences between “smart cities” and traditional urban science research are analyzed. The second chapter of the qualification work examines the goals of sustainable urban development in the context of “smart cities”. The methodology of a data-intensive “smart city” is considered. Data-based urban computing is described. Data-driven forecasting for the needs of “smart cities” is analyzed. Data-driven modelling for the needs of “smart cities” is presented. Data-driven decision-support systems for “smart cities” are investigated. The third chapter of the qualification work presents application scenarios of data-driven methods in subsystems of a “smart city”. The prototyping of a sustainable “smart city” of the future is described. The application of data analysis methods for supporting managerial decision-making is analyzed.
Beskrivelse: Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 25.06.2026р. на засіданні екзаменаційної комісії №31 у Тернопільському національному технічному університеті імені Івана Пулюя
Content: Зміст * ВСТУП 9 РОЗДІЛ 1. ТЕОРЕТИКО-МЕТОДОЛОГІЧНІ ОСНОВИ ФОРМУВАННЯ КОНЦЕПЦІЇ «РОЗУМНОГО МІСТА» НА ЗАСАДАХ УПРАВЛІННЯ, КЕРОВАНОГО ДАНИМИ 11 1.1 Теоретико-методологічні засади розбудови концепту «розумне місто» 11 1.2 Концептуалізація структури «розумного міста» як інструменту сталого управління міськими ресурсами на основі даних 13 1.3 Функціональна структура та завдання концепту «розумне місто» 16 1.4 Відмінності між «розумними містами» та традиційними дослідженнями міської науки 17 1.4.1 Мультимодальні методи на основі даних для «розумних міст» 18 1.4.2 Масштаб змінює проблеми у складних «розумних містах» 20 1.4.3 Моделювання та обчислення для потреб «розумних міст» 22 1.5 Висновок до першого розділу 23 РОЗДІЛ 2. ІНФОРМАЦІЙНО-ТЕХНОЛОГІЧНИЙ ІНСТРУМЕНТАРІЙ УПРАВЛІННЯ СКЛАДНИМИ СИСТЕМАМИ «РОЗУМНОГО МІСТА» ЗА ДОПОМОГОЮ ДАНИХ 24 2.1 Цілі сталого міського розвитку «розумних міст» 24 2.2 Методологія «розумного міста» з інтенсивним використанням даних 29 2.3 «Розумні» міські обчислення на основі даних 32 2.4 Кероване даними прогнозування для потреб «розумних міст» 33 2.5 Кероване даними моделювання для потреб «розумних міст» 35 2.6 Керовані даними системи супроводу процесів прийняття рішень «розумних міст» 38 2.7 Висновок до другого розділу 40 РОЗДІЛ 3. ПРАКТИЧНІ АСПЕКТИ ТА ПРИКЛАДНІ СЦЕНАРІЇ ЗАСТОСУВАННЯ МЕТОДІВ, КЕРОВАНИХ ДАНИМИ, В ГАЛУЗЕВИХ ПІДСИСТЕМАХ «РОЗУМНОГО МІСТА» 42 3.1 Сценарії застосування методів керованих даними у підсистемах «розумного міста» 42 3.2 Прототипування сталого «розумного міста» майбутнього 45 3.3 Застосування методів аналітичного опрацювання даних для підтримки управлінських рішень у «розумних містах» 47 3.3.1 Методи аналітичного опрацювання даних у задачах просторового планування «розумних міст» 47 3.3.2 Методи аналітичного опрацювання даних у задачах міського управління «розумних міст» 48 3.3.3 Методи аналітичного опрацювання даних у задачах «розумного» транспорту 49 3.3.4 Методи аналітичного опрацювання даних у задачах «розумної» екології 49 3.3.5 Методи аналітичного опрацювання даних у задачах «розумної» енергетики 50 3.3.6 Методи аналітичного опрацювання даних у задачах «розумної» охорони здоров’я 51 3.3.7 Методи аналітичного опрацювання даних у задачах «розумної» економіки 52 3.4 Проблеми та перспективи розвитку концепції «розумного міста» на основі методів аналітичного опрацювання даних 53 3.5 Висновок до третього розділу 55 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 56 4.1 Моделювання та оцінювання життєздатності міських систем в умовах екстремальних деструктивних впливів 56 4.2 Забезпечення безпеки життєдіяльності та охорона праці під час оперування мережевими IoT-компонентами 59 4.3 Висновок до четвертого розділу 61 ВИСНОВКИ 62 ПЕРЕЛІК ДЖЕРЕЛ
URI: http://elartu.tntu.edu.ua/handle/lib/52625
Copyright owner: © Савик Орест Олегович, 2026
References (Ukraine): 1. Nations, U. (2020). Goal 11: Make cities inclusive, safe, resilient and sustainable. DOI:https://doi.org/10.5040/9781509934058.0017.
2. Shi, K., Yu, B., Ma, J. et al. (2023). Impacts of slope climbing of urban expansion on global sustainable development. Innovation 4:100529. DOI:https://doi.org/10.1016/j.xinn.2023. 100529.
3. Zhang, Yunke, et al. "MetaCity: Data-driven sustainable development of complex cities." The Innovation 6.2 (2025).
4. Yang, W., Zhang, J., Hua, P. et al. (2023). Global framework for flood risk management under climate change and urbanization. Innov. Geosci. 1:100009. DOI:https://doi.org/10. 59717/j.xinn-geo.2023.100009.
5. Wu, X., Fu, B., Wang, S. et al. (2023). Three main dimensions reflected by national SDG performance. Innovation 4:100507. DOI:https://doi.org/10.1016/j.xinn.2023.100507.
6. Roberts, P., Carleton, W.C., Amano, N. et al. (2024). Using urban pasts to speak to urban presents in the Anthropocene. Nat. Cities 1:30–41. DOI:https://doi.org/10.1038/s44284- 023-00014-4.
7. Moroni, S., Rauws, W. and Cozzolino, S. (2020). Forms of self-organization: Urban complexity and planning implications. Environ. Plan. B Urban Anal. City Sci. 47:220–234. DOI:https://doi.org/10.1177/2399808319857721.
8. Duda O., Kunanets N., Matsiuk O., Pasichnyk V., Rzheuskyi A. Aggregation, Storing, Multidimensional Representation and Processing of COVID-19 Data // Advances in Intelligent Systems and Computing V. CSIT 2020. Springer, Cham, 2021. Vol. 1293. DOI: 10.1007/978-3-030-63270-0_60. ISSN 2194-5357, EISSN 2194-5365.
9. Silvestro, D., Goria, S., Sterner, T. et al. (2022). Improving biodiversity protection through artificial intelligence. Nat. Sustain. 5:415–424. DOI:https://doi.org/10.1038/s41893-022- 00851-6.
10. Xu, Y., Wang, F., An, Z. et al. (2023). Artificial intelligence for science–bridging data to wisdom. Innovation 4:100525. DOI:https://doi.org/10.1016/j.xinn.2023.100525.
11. Wang, F., Yao, D., Li, Y. et al. (2023). Ai-enhanced spatial-temporal data-mining technology: New chance for next-generation urban computing. Innovation 4:100405. DOI:https://doi. org/10.1016/j.xinn.2023.100405.
12. Baggio, G., Bassett, D.S. and Pasqualetti, F. (2021). Data-driven control of complex networks. Nat. Commun. 12:1429. DOI:https://doi.org/10.1038/s41467-021-21554-0.
13. Bettencourt, L.M. (2021). Introduction to Urban Science: Evidence and Theory of Cities as Complex Systems (MIT Press). DOI:https://doi.org/10.7551/mitpress/13909.001.0001.
14. Geddes, P. (1915). Cities in evolution: an introduction to the town planning movement and to the study of civics (Williams). DOI:https://doi.org/10.2307/1779702.
15. Zhao, Y., Zhu, Z., Chen, B. et al. (2023). Towards parallel intelligence: An interdisciplinary solution for complex systems. Innovation 4:100521. DOI:https://doi.org/10.1016/j.xinn. 2023.100521.
16. Schlapfer, M., Dong, L., O € ‘Keeffe, K. et al. (2021). The universal visitation law of human mobility. Nature 593:522–527. DOI:https://doi.org/10.1038/s41586-021-03480-9.
17. Reed, S., Zolna, K., Parisotto, E. et al. (2022). A generalist agent. Trans. Mach. Learn. Res. DOI:https://doi.org/10.15607/rss.2020.xvi.076.
18. Zhang, J., Wang, S., Liu, Y. et al. (2022). Does having more sustainable communities bring better sustainability? Innovation 3:100267. DOI:https://doi.org/10.1016/j.xinn.2022. 100267.
19. Wang, Q., Feng, Y., Huang, J. et al. (2023). Large-scale generative simulation artificial intelligence: The next hotspot. Innovation 4:100516. DOI:https://doi.org/10.1016/j.xinn.2023. 100516.
20. Chu, T., Wang, J., Codeca, L. et al. (2020). Multi-agent deep reinforcement learning for largescale traffic signal control. IEEE Trans. Intell. Transport. Syst. 21:1086–1095. DOI:https:// doi.org/10.1109/tits.2019.2901791.
21. Duda O., Kunanets N., Martsenko S., Nykytyuk V., Pasichnyk V. Information technology platform for COVID-19 analysis // IEEE CSIT 2021. P. 231–238. DOI: 10.1109/CSIT52700.2021.9648839.
22. Duda O., Matsiuk O., Kunanets N., Pasichnyk V., Rzheuskyi A., Bilak Y. Formation of hypercubes based on data obtained from IoT devices // International Journal of Sensors, Wireless Communications and Control. 2021. Vol. 11(5). P. 498–504. DOI: 10.2174/2210327910999201210145151.
23. Duda O., Stanko A. Architecture of monitoring platform in smart cities // Вісник ХНУ. 2023. No. 4. P. 10–19. DOI: 10.31891/2307-5732.
24. Mahajan, S. (2022). Design and development of an open-source framework for citizencentric environmental monitoring and data analysis. Sci. Rep. 12:14416. DOI:https://doi. org/10.1038/s41598-022-18700-z.
25. Casagli, N., Intrieri, E., Tofani, V. et al. (2023). Landslide detection, monitoring and prediction with remote-sensing techniques. Nat. Rev. Earth Environ. 4:51–64. DOI:https://doi.org/10. 1038/s43017-022-00373-x.
26. Liang, D., De Jong, M., Schraven, D. et al. (2022). Mapping key features and dimensions of the inclusive city: A systematic bibliometric analysis and literature study. Int. J. Sustain. Dev. World Ecol. 29:60–79. DOI:https://doi.org/10.1080/13504509.2021.1911873.
27. Salahub, J.E., Gottsbacher, M. and De Boer, J. (2018). Social Theories of Urban Violence in the Global South (Routledge). DOI:https://doi.org/10.4324/9781351254724.
28. Delmelle, E., Nilsson, I. and Adu, P. (2021). Poverty suburbanization, job accessibility, and employment outcomes. Soc. Incl. 9:166–178. DOI:https://doi.org/10.17645/si.v9i2.3735.
29. Löfving, L., Kamuf, V., Heleniak, T. et al. (2022). Can digitalization be a tool to overcome spatial injustice in sparsely populated regions? the cases of digital vasterbotten (sweden) € and smart country side (germany). Eur. Plann. Stud. 30:917–934. DOI:https://doi.org/10. 1080/09654313.2021.1928053.
30. Long, D., Liu, L., Xu, M. et al. (2021). Ambient population and surveillance cameras: The guardianship role in street robbers’ crime location choice. Cities 115:103223. DOI:https://doi.org/10.1016/j.cities.2021.103223.
31. Huang, J., Boles, S.T. and Tarascon, J.-M. (2022). Sensing as the key to battery lifetime and sustainability. Nat. Sustain. 5:194–204. DOI:https://doi.org/10.1038/s41893-022- 00859-y.
32. Wang, J. and Lu, F. (2021). Modeling the electricity consumption by combining land use types and landscape patterns with nighttime light imagery. Energy 234:121305. DOI:https://doi.org/10.1016/j.energy.2021.121305.
33. Lehmann, M.K., Gurlin, D., Pahlevan, N. et al. (2023). Gloria-a globally representative hyperspectral in situ dataset for optical sensing of water quality. Sci. Data 10:100. DOI:https:// doi.org/10.1016/j.rse.2021.112860.
34. Duda O., Kunanets N., Martsenko S., Nykytyuk V., Pasichnyk V. COVID-19 data collections and processing // IEEE CSIT 2021. P. 252–257. DOI: 10.1109/CSIT52700.2021.9648658.
35. Wang, S. and Cao, J. (2021). AI and deep learning for urban computing. Urban. Inf. 815–844. DOI:https://doi.org/10.1007/978-981-15-8983-6_43.
36. Li, F., Feng, J., Yan, H. et al. (2023). Dynamic graph convolutional recurrent network for traffic prediction: Benchmark and solution. ACM Trans. Knowl. Discov. Data 17:1–21. DOI:https://doi.org/10.1145/3532611.
37. Li, G., Zhao, Z., Guo, X. et al. (2024). Towards integrated and fine-grained traffic forecasting: A spatiotemporal heterogeneous graph transformer approach. Inf. Fusion 102:102063. DOI:https://doi.org/10.1016/j.inffus.2023.102063.
38. Qian, T., Chen, Y., Cong, G. et al. (2024). Adaptraj: A multi-source domain generalization framework for multi-agent trajectory prediction. In 2024 IEEE 40th International Conference on Data Engineering (ICDE) (IEEE), pp. 5048–5060. DOI:https://doi.org/10. 1109/icde60146.2024.00113.
39. Ho, J., Jain, A. and Abbeel, P. (2020). Denoising diffusion probabilistic models. Adv. Neural Inf. Process. Syst. 33:6840–6851. DOI:https://doi.org/10.7551/mitpress/7503. 003.0070.
40. Hussein, A., Gaber, M.M., Elyan, E. et al. (2017). Imitation learning: A survey of learning methods. ACM Comput. Surv. 50:1–35. DOI:https://doi.org/10.1145/3054912.
41. Zhang, J., Ao, W., Jin, D. et al. (2023). A city-level high-performance spatiotemporal mobility simulation system. In Proceedings of the 1st ACM SIGSPATIAL International Workshop on Sustainable Mobility, pp. 23–32. DOI:https://doi.org/10.1145/3615899.3627936.
42. Vaskiv R. I., Hrybovskyi O. M., Kunanets N. E., Duda O. M. Information system of street lighting control in smart city // Radio Electronics, Computer Science, Control. 2024. No. 3(70). P. 212–223. DOI: 10.15588/1607-3274-2024-3-18.
43. Li, J., Wang, H. and Chen, X. (2024). Physics-informed neural ode for post-disaster mobility recovery. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pp. 1587–1598. DOI:https://doi.org/10.1145/3637528.3672027.
44. Yuan, Y., Ding, J., Shao, C. et al. (2023). Spatiotemporal diffusion point processes. In Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pp. 3173–3184. DOI:https://doi.org/10.1145/3580305.3599511.
45. Fredericks, J., Hespanhol, L., Parker, C. et al. (2018). Blending pop-up urbanism and participatory technologies: Challenges and opportunities for inclusive city making. City Cult. Soc 12:44–53. DOI:https://doi.org/10.1016/j.ccs.2017.06.005.
46. Batty, M. (2024). Digital twins in city planning. Nat. Comput. Sci. 4:192–199. DOI:https:// doi.org/10.1038/s43588-024-00606-7.
47. Agyemang, F.S.K., Silva, E. and Fox, S. (2022). Modelling and simulating ‘informal urbanization’: An integrated agent-based and cellular automata model of urban residential growth in ghana. Environ. Plan. B Urban Anal. City Sci. 50:863–877. DOI:https://doi.org/ 10.1177/23998083211068843.
48. Marques, E.C.L. (2024). Continuities and transformations in the studies of urban politics and governments. Nat. Cities 1:22–29. DOI:https://doi.org/10.1038/s44284-023-00004-6.
49. Hodorog, A., Petri, I. and Rezgui, Y. (2022). Machine learning and natural language processing of social media data for event detection in smart cities. Sustain. Cities Soc. 85:104026. DOI:https://doi.org/10.1016/j.scs.2022.104026.
50. Jang, S.-G. and Gim, T.H.T. (2022). Considerations for encouraging citizen participation by information-disadvantaged groups in smart cities. Sustain. Cities Soc. 76:103437. DOI:https://doi.org/10.1016/j.scs.2021.103437.
51. Chen, C., Wei, H., Xu, N. et al. (2020). Toward a thousand lights: Decentralized deep reinforcement learning for large-scale traffic signal control. Proc. AAAI Conf. Artif. Intell. 34:3414–3421. DOI:https://doi.org/10.1609/aaai.v34i04.5744.
52. Zhang, H., Luo, M., Pei, T. et al. (2023). Unequal urban heat burdens impede climate justice and equity goals. Innovation 4:100488. DOI:https://doi.org/10.1016/j.xinn.2023.100488.
53. Seger, B., Robert, M. and Jiao, F. (2023). Best practices for electrochemical reduction of carbon dioxide. Nat. Sustain. 6:236–238. DOI:https://doi.org/10.1038/s41893-022- 01034-z.
54. Dou, X., Wang, Y., Ciais, P. et al. (2022). Near-real-time global gridded daily co2 emissions. Innovation 3:100182. DOI:https://doi.org/10.5194/egusphere-egu23-3303.
55. Zhu, R., Zhang, F., Yan, J. et al. (2023). A sustainable solar city: From utopia to reality facilitated by giscience. Innov. Geosci. 1:100006. DOI:https://doi.org/10.59717/j.xinn-geo.2023. 100006.
56. Cheng, S., Zhang, B., Peng, P. et al. (2023). Health and economic benefits of heavy-duty diesel truck emission control policies in beijing. Environ. Int. 179:108152. DOI:https://doi. org/10.1016/j.envint.2023.108152.
57. Asghar, N., Amjad, M.A., Rehman, H.u. et al. (2022). Achieving sustainable development resilience: Poverty reduction through affordable access to electricity in developing economies. J. Cleaner Prod. 376:134040. DOI:https://doi.org/10.1016/j.jclepro.2022.134040.
58. Baetens, R. and Saelens, D. (2016). Modelling uncertainty in district energy simulations by stochastic residential occupant behaviour. J. Build. Perform. Simul. 9:431–447. DOI:https://doi.org/10.1080/19401493.2015.1070203.
59. Orlov M. V., Duda O. M., Zhovnir Y. I., Hrybovskyi O. M. DevOps tools in IoT systems // Комп’ютерно-інтегровані технології. 2024. Vol. 57. P. 128–138. DOI: 10.36910/6775-2524-0560-2024-57-15.
60. Chen, L., Xu, F., Han, Z. et al. (2022). Strategic covid-19 vaccine distribution can simultaneously elevate social utility and equity. Nat. Human Behav. 6:1503–1514. DOI:https:// doi.org/10.1038/s41562-022-01429-0.
61. Pangallo, M., Aleta, A., del Rio-Chanona, R.M. et al. (2023). The unequal effects of the health–economy trade-off during the covid-19 pandemic. Nat. Human Behav. 8. DOI:https://doi.org/10.1038/s41562-023-01747-x.
62. Gao, J., Jun, B., Pentland, A.’. et al. (2021). Spillovers across industries and regions in china’s regional economic diversification. Reg. Stud. 55:1311–1326. DOI:https://doi.org/ 10.1080/00343404.2021.1883191.
63. Liu, Y., Du, J., Wang, Y. et al. (2024). Overlooked uneven progress across sustainable development goals at the global scale: Challenges and opportunities. Innovation 5:100573. DOI:https://doi.org/10.1016/j.xinn.2024.100573.
64. Yuan, Y., Shao, C., Ding, J. et al. (2024). Spatiotemporal few-shot learning via diffusive neural network generation. In The Twelfth International Conference on Learning Representations. DOI:https://doi.org/10.1109/nnice61279.2024.10498780.
65. Liang, W., Tadesse, G.A., Ho, D. et al. (2022). Advances, challenges and opportunities in creating data for trustworthy ai. Nat. Mach. Intell. 4:669–677. DOI:https://doi.org/10. 1038/s42256-022-00516-1.
66. Luo, L., Wang, X. and Guo, H. (2022). Contribution of unesco designated sites to the achievement of sustainable development goals. Innovation 3:100227. DOI:https://doi. org/10.1016/j.xinn.2022.100227.
67. Wang, K., Li, A. and Qu, X. (2023). Urban aerial mobility: Network structure, transportation benefits, and sino-us comparison. Innovation 4:100393. DOI:https://doi.org/10.1016/j. xinn.2023.100393.
68. Wei, J., Tay, Y., Bommasani, R. et al. (2022). Emergent abilities of large language models. Trans. Mach. Learn. Res. DOI:https://doi.org/10.18653/v1/2021.emnlp-main.465.
69. Gao, C., Lan, X., Li, N. et al. (2024). Large language models empowered agent-based modeling and simulation: A survey and perspectives. Humanit. Soc. Sci. Commun. 11:1259–1324. DOI:https://doi.org/10.1057/s41599-024-03611-3.
70. 9 Практичне заняття. Оцінка стійкості роботи промислового підприємства за надзвичайних ситуацій. StudFiles. URL: https://studfile.net/preview/9726254/page:50.
71. Das A., Nandi N., Ray S. Alpha and SSVEP power outperform gamma power in capturing attentional modulation in human EEG. Cerebral Cortex. 2023. URL: https://doi.org/10.1093/cercor/bhad412.
72. Стручок, Володимир Сергійович. "Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання." (2022).
73. НПАОП 0.00-1.28-10. Правила охорони праці під час експлуатації електронно-обчислювальних машин. – Затверджено наказом Міністерства праці та соціальної політики України.
74. НПАОП 40.1-1.32-01. Правила безпечної експлуатації електроустановок споживачів. – Міністерство енергетики України.
75. Стручок В.С. Техноекологія та цивільна безпека. Частина «Цивільна безпека». Навчальний посібник. 2022.
76. ДБН В.2.5-28-2018 "Природне і штучне освітлення". https://e-construction.gov.ua/laws_detail/3074958732556240833?doc_type=2.
Content type: Bachelor Thesis
Vises i samlingene:122 — Компʼютерні науки, F3 Комп’ютерні науки (бакалаври)

Tilhørende filer:
Fil Beskrivelse StørrelseFormat 
2026_KRB_SN-42_Savyk_OO.pdfДипломна робота2,99 MBAdobe PDFVis/Åpne
Vis fullstendig innførsel


Alle innførsler i DSpace er beskyttet av copyright

Administrasjonsverktøy