The object of the study is machine learning methods used to assess student performance in online courses. The goal of the final qualifying work is to develop a tool that uses machine learning methods to assess student performance in online educational courses. Methods or methodology for carrying out work: analytical research, software implementation. The subject of the work is to determine the basic concepts in assessing the performance of students in online courses. This paper presents the development of a machine learning-based system for assessing student performance in online courses. The main goal is to create an efficient, scalable and reliable tool that automates the process of predicting academic performance and provides useful information for students, teachers and the educational platform. The research includes comprehensive domain analysis, task analysis, model training and economic evaluation. Key contributions include the analysis and implementation of a CATboost-based machine learning model, which achieved strong performance with an ROC-AUC of 0.88 and a balanced accuracy of 0.78. The study also details the process of data preparation, tuning of model hyperparameters, and integration of the system with existing learning management systems (LMS). Cost-benefit and product performance analyzes demonstrate significant long-term benefits, highlighting high return on investment and improved operational efficiency. The system has a positive impact on various stakeholders by providing timely feedback and personalized support to students, reducing administrative burden on faculty, and increasing institutional reputation and revenue. Overall, this work highlights the potential of machine learning to predict student performance, improve learning outcomes, and create more effective educational environments. The developed system represents a valuable tool for educational institutions seeking to expand their online learning offerings and better support their students and staff. / Объектом исследования является методы машинного обучения применяемые для оценки успеваемости студентов на онлайн курсах. Целью выпускной квалификационной работы является разработка инструмента, который использует методы машинного обучения для оценки успеваемости студентов на образовательных онлайн курсах. Методы или методология проведения работы: аналитическое исследование, программная реализация. Предметом работы является определение основных концепций в оценке успеваемости обучающихся на онлайн курсах В данной работе представлена разработка системы на основе машинного обучения для оценки успеваемости студентов на онлайн-курсах. Основная цель — создать эффективный, масштабируемый и надежный инструмент, который автоматизирует процесс прогнозирования успеваемости и предоставляет полезную информацию для студентов, преподавателей и образовательной платформы. Исследование включает в себя комплексный анализ предметной области, анализ задач, обучение модели и экономическую оценку. Ключевой вклад включает анализ и внедрение модели машинного обучения на основе CATboost, которая достигла высоких показателей производительности с показателем ROC-AUC 0,88 и сбалансированной точностью 0,78. В исследовании также подробно описан процесс подготовки данных, настройка гиперпараметров модели и интеграция системы с существующими системами управления обучением (LMS). Анализ экономической эффективности и эффективности продукта демонстрирует значительные долгосрочные преимущества, подчеркивая высокую отдачу от инвестиций и повышение операционной эффективности. Система положительно влияет на различные заинтересованные стороны, обеспечивая своевременную обратную связь и персонализированную поддержку для студентов, снижая административную нагрузку на преподавателей, а также повышая репутацию и доходы учреждения. В целом, эта работа подчеркивает потенциал машинного обучения в прогнозировании успеваемости студентов, улучшении результатов обучения и создании более эффективной образовательной среды. Разработанная система представляет собой ценный инструмент для образовательных учреждений, стремящихся расширить свои предложения онлайн-обучения и улучшить поддержку своих студентов и сотрудников.

В работе сравниваются алгоритмы машинного обучения для задачи оценки вероятности дефолта заёмщика и применяются методы интерпретации локальных предсказаний. / The paper compares machine learning algorithms for the problem of estimating the probability of borrower default, and applies methods for interpreting local predictions.

Cette étude vise à mettre en lumière les différences et similarités existant entre les principales crises économiques et financières ayant frappé un échantillon de 21 pays avancés depuis 1981. Nous analyserons plus particulièrement la crise des subprimes que nous rapprocherons avec des épisodes antérieurs. Nous étudierons à la fois les années du déclenchement des turbulences (analyse typologique) ainsi que celles les précédant (prévision). Cette analyse sera fondée sur l’utilisation de la méthode CART (Classification And Regression Trees). Cette technique non linéaire et non paramétrique permet de prendre en compte les effets de seuil et les interactions entre variables explicatives de façon à révéler plusieurs contextes distincts explicatifs d’un même événement. Dans le cadre d‘un modèle de prévision, l’analyse des années précédant les crises nous indique que les variables à surveiller sont : la variation et la volatilité du cours de l’once d’or, le déficit du compte courant en pourcentage du PIB et la variation de l’openness ratio et enfin la variation et la volatilité du taux de change. Dans le cadre de l’analyse typologique, l’étude des différentes variétés de crise (année du déclenchement de la crise) nous permettra d’identifier deux principaux types de turbulence d’un point de vue empirique. En premier lieu, nous retiendrons les crises globales caractérisées par un fort ralentissement ou une baisse de l’activité aux Etats-Unis et une faible croissance du PIB dans les pays touchés. D’autre part, nous mettrons en évidence des crises idiosyncratiques propres à un pays donné et caractérisées par une inflation et une volatilité du taux de change élevées. / The aim of this thesis is to analyze, from an empirical point of view, both the different varieties of economic and financial crises (typological analysis) and the context’s characteristics, which could be associated with a likely occurrence of such events. Consequently, we analyze both: years seeing a crisis occurring and years preceding such events (leading contexts analysis, forecasting). This study contributes to the empirical literature by focusing exclusively on the crises in advanced economies over the last 30 years, by considering several theoretical types of crises and by taking into account a large number of both economic and financial explanatory variables. As part of this research, we also analyze stylized facts related to the 2007/2008 subprimes turmoil and our ability to foresee crises from an epistemological perspective. Our empirical results are based on the use of binary classification trees through CART (Classification And Regression Trees) methodology. This nonparametric and nonlinear statistical technique allows us to manage large data set and is suitable to identify threshold effects and complex interactions among variables. Furthermore, this methodology leads to characterize crises (or context preceding a crisis) by several distinct sets of independent variables. Thus, we identify as leading indicators of economic and financial crises: variation and volatility of both gold prices and nominal exchange rates, as well as current account balance (as % of GDP) and change in openness ratio. Regarding the typological analysis, we figure out two main different empirical varieties of crises. First, we highlight « global type » crises characterized by a slowdown in US economic activity (stressing the role and influence of the USA in global economic conditions) and low GDP growth in the countries affected by the turmoil. Second, we find that country-specific high level of both inflation and exchange rates volatility could be considered as evidence of « idiosyncratic type » crises.

Aim of this thesis is description of neural network based edge detection methods that are substitute for classic methods of detection using edge operators. First chapters generally discussed the issues of image processing, edge detection and neural networks. The objective of the main part is to show process of generating synthetic images, extracting training datasets and discussing variants of suitable topologies of neural networks for purpose of edge detection. The last part of the thesis is dedicated to evaluating and measuring accuracy values of neural network.

Разработка нейросетевой модели детектора препятствий для квадрокоптеров с использованием компьютерного зрения и её оптимизация для развертывания на устройствах с ограниченными вычислительными ресурсами. В работе проведен обзор особенностей задачи бинарной классификации, обучена базовая нейросетевая модель детектора препятствий и применены различные методы оптимизации для повышения её вычислительной эффективности. / Development of a neural network obstacle detector for quadcopters using computer vision and its optimization for deployment on resource-constrained embedded devices. The project involved a review of the features of binary classification tasks, training a base neural network model for obstacle detection, and applying various optimization techniques to improve its computational efficiency.