Кафедра Інженерії Програмного Забезпечення та Кібербезпеки

Постійне посилання на фонд

https://ur.knute.edu.ua/handle/123456789/2024

Переглянути

Перегляд Кафедра Інженерії Програмного Забезпечення та Кібербезпеки за Автор "Коваленко Андрія Юрійовича"

Зараз показуємо 1 - 1 з 1
  • Ескіз недоступний
    Документ
    Обробка даних з виключенням аномалій на основі ШІ, фільтрацією та збереження валідного результату
    (DTEU, 2024-12) Коваленко Андрія Юрійовича
    Відповідно до мети дослідження робота присвячена методам виявлення аномалій у наборі даних за допомогою штучного інтелекту. Випускна кваліфікаційна робота на тему «Обробка даних з виключенням аномалій на основі ШІ, фільтрацією та збереження валідного результату» містить 38 сторінок, 6 рисунків, 3 таблиці. Перелік використаних джерел налічує 25 найменувань. Також було написано статтю до даної роботи [26]. У сучасному світі будь-які дії записуються та логуються для подальшого використання чи просто статистики. Все це надає змогу у подальшому покращувати роботу сервісу. Однак не всі дані є корисними у цьому плані, деякі з них можна назвати шумами, що не несуть користі для покращення сервісу. Механізми та алгоритми виявлення таких не правильних даних є різні, однак будь-які статичні методи виявлення аномалій не є досконалими, адже вони не можуть відслідковувати зміни та патерни, або це потребує додаткових зусиль програмістів, на вдосконалення алгоритму. Було запропоновано використовувати ШІ для визначення аномалій. У результаті було розглянуто та проаналізовано різні статичні алгоритму, та алгоритми на основі машинного навчання. В результаті було розроблено додаток на ML.NET для визначення аномалій за допомогою алгоритму бінарної класифікації. Ключові слова: Аномалії, ШІ, ML.NET, бінарна класифікація. According to the purpose of the research, the work is devoted to the methods of detecting anomalies in the data set with the help of artificial intelligence. Graduation qualification work on the topic "Data processing with the exclusion of anomalies based on AI, filtering and saving a valid result" contains 38 pages, 6 figures, 3 tables. The list of used sources includes 25 items. An article was also written for this work [26]. Nowadays, any actions are recorded and logged for later use or just statistics. All this makes it possible for further improve the operation of the service. However, not all data is useful in this regard, some of those data just noise that is not useful for improving the service. Mechanisms and algorithms for detecting such incorrect data are different, but any static methods for detecting anomalies are not perfect, because they cannot track changes and patterns, or it requires additional efforts by programmers to improve the algorithm. As a result, was proposed to use AI to detect anomalies. In conclusion, various static algorithms and algorithms based on machine learning were considered and analyzed. An ML.NET application was developed for anomaly detection using a binary classification algorithm. Keywords: Anomalies, AI, ML.NET, binary classification.