Данная работа исследует методы обучения U-Net для сегментации эхокардиографических изображений и показывает возможный вариант внедрения модели. Работа основана на анализе эффективности и применимости машинного обучения в сегментации эхокардиографических изображений. Исследование описывает возможные методы машинного обучения, а также метрики для задачи сегментации. В работе рассматривается разработка веб-приложения для автоматизации сегментирования эхокардиографических изображений в медицинских центрах, которое позволит ускорить процесс приема пациентов, не потеряв качества сегментации. / This work explores U-Net training methods for segmentation of echocardiographic images and shows a possible implementation of the model. The work is based on the analysis of the effectiveness and applicability of machine learning in segmentation of echocardiographic images. The study describes possible machine learning methods, as well as metrics for the segmentation task. The paper considers the development of a web application for automating segmentation of echocardiographic images in medical centers, which will speed up the process of receiving patients without losing the quality of segmentation.

Для решения проблемы низкой точности, слабой адаптивности и плохой интерпретируемости существующих моделей прогнозирования опасности схода грязевых потоков предлагается новый метод прогнозирования. В качестве примера рассматриваются 159 точек бедствий в бассейне реки Нуцзян в Китае. Выбраны 15 факторов влияния, и с использованием метода комбинированного взвешивания тремя сторонами проводится оценка опасности точек риска схода грязевых потоков. Затем для прогнозирования опасности схода грязевых потоков используется модель CNN-BiGRU-Attention. Для оптимизации гиперпараметров применяется улучшенный алгоритм KOA (IKOA). В конечном итоге для повышения интерпретируемости результатов прогнозирования модели введена рамка SHAP. Результаты показывают, что по сравнению с 13 текущими наиболее часто используемыми моделями прогнозирования, модель IKOA-CNN-BiGRU-Attention демонстрирует наилучшие результаты прогнозирования. / To address the issues of low accuracy, poor adaptability, and weak interpretability in existing models for predicting debris flow hazards, a new prediction method is proposed. Using 159 disaster points in the Nujiang River Basin in China as a case study, 15 influencing factors are selected, and a tripartite combined weighting method is used to evaluate the risk levels of debris flow points. Subsequently, the CNN-BiGRU-Attention model is used to predict the hazard of debris flows. The improved KOA algorithm (IKOA) is employed for hyperparameter optimization. Finally, the SHAP framework is introduced to enhance the interpretability of the model's prediction results. The results show that compared to the 13 currently commonly used prediction models, the IKOA-CNN-BiGRU-Attention model exhibits the best predictive performance.

The object of the study is the methods of artificial intelligence used to classify blood cells. The subject of the study is the process of classifying blood cells using artificial intelligence and its application in medical practice. The purpose of the work is to create a machine learning model for classifying blood cells. Research methods: theoretical analysis, data analysis, machine learning algorithms, neural networks. The result of the work is a trained neural network that is able to classify images of blood cells. / Объект исследования – методы искусственного интеллекта, применяемые для классификации клеток крови. Предметом исследования является процесс классификации клеток крови с использованием искусственного интеллекта и его применение в медицинской практике. Цель работы – создание модели машинного обучения для классификации клеток крови. Методы исследования: теоретический анализ, анализ данных, алгоритмы машинного обучения, нейронные сети. Результатом работы является обученная нейронная сеть, которая способна классифицировать изображения клеток крови.

This work is devoted to one of the urgent problems today - automation of diagnostics of ophthalmological diseases on optical coherence tomography (OCT) images. It is known that automation of diagnostics solves a number of existing problems and reduces the time of evaluation and interpretation of OCT images, and also eliminates the subjectivity of the assessment, thereby improving the quality of diagnostics.The object of the study is optical coherence tomography images of the eye with early and intermediate forms of age-related macular degeneration. The subject of the study is the development of a deep learning algorithm for multiclass segmentation of the "dry" form of age-related macular degeneration. The aim of the work is to develop and test a neural network model capable of multi-class segmentation of early and intermediate forms of age-related macular degeneration in optical coherence tomography images of the eye. Scientific novelty: within the framework of the work, multi-class segmentation of the "dry" form of AMD was carried out for the first time on the open OCTDL dataset using the UNet3+ convolutional deep neural network. The architecture of the neural network solving the problem of multi-class segmentation was developed based on the UNet3+ convolutional deep neural network and trained on the open OCTDL dataset. The practical significance of the work lies in the fact that the use of deep learning methods for segmentation of OCT images and classification of AMD forms will allow diagnosing the disease at an early stage and preventing its transition to a more severe form. Also, the use of deep neural networks will reduce the time of patient examination by a doctor and reduce the influence of the specialist's subjective assessment on the diagnosis. / Данная работа посвящена одной из актуальных на сегодняшний день проблем – автоматизации диагностики офтальмологических заболеваний на снимках оптической когерентной томографии (ОКТ). Известно, что автоматизация диагностики решает ряд существующих проблем и сокращает время оценки и интерпретации снимков ОКТ, а также устраняет субъективность оценки, тем самым повышая качество диагностики. Объектом исследования являются снимки оптической когерентной томографии глаза с ранней и промежуточной формами возрастной макулярной дегенерации. Предмет исследования – разработка алгоритма глубокого обучения для мультиклассовой сегментации «сухой» формы возрастной макулярной дегенерации. Цель работы – разработать и протестировать модель нейронной сети, способную проводить мультиклассовую сегментацию ранней и промежуточной форм возрастной макулярной дегенерации на снимках оптической когерентной томографии глаза. Научная новизна: в рамках работы впервые проведена мультиклассовая сегментация «сухой» формы ВМД на открытом наборе данных OCTDL с использованием сверточной глубокой нейронной сети UNet3+. Архитектура нейронной сети, решающая задачу мультиклассовой сегментации, была разработана на основе сверточной глубокой нейронной сети UNet3+ и обучена на открытом наборе данных OCTDL. Практическая значимость работы заключается в том, что использование методов глубокого обучения для сегментации снимков ОКТ и классификации форм ВМД позволит диагностировать заболевание на ранней стадии и предотвратить его переход в более тяжелую форму. Также использование глубоких нейронных сетей сократит время обследования пациента врачом и снизит влияние субъективной оценки специалиста на постановку диагноза.

Создание модели компьютерного зрения на основе алгоритмов глубокого обучения для повышения эффективности автоматического распознавания правонарушений в реальном времени на записях охранных камер видеонаблюдения. / Computer vision model creation based on deep learning algorithms to improve the efficiency of real time automatic crime detection on CCTV records.

The work investigates deep learning methods for detecting and classifying malware in Internet of Things (IoT) environments. Approaches using convolutional and recurrent neural networks are considered for analyzing static and dynamic file characteristics to identify malicious activity. The development of software capable of classifying files as malicious or legitimate, as well as determining the types of detected malware, is proposed. The results of the work can be applied in IoT security systems for timely detection and prevention of malware spread, protecting connected devices and user data. / В работе исследуются методы глубокого обучения для обнаружения и классификации вредоносного программного обеспечения (ПО) в средах Интернета вещей (IoT). Рассматриваются подходы с использованием сверточных и рекуррентных нейронных сетей для анализа статических и динамических характеристик файлов с целью выявления вредоносной активности. Предлагается разработка программного обеспечения, способного классифицировать файлы как вредоносные или легитимные, а также определять типы обнаруженного вредоносного ПО. Результаты работы могут найти применение в системах безопасности IoT для своевременного обнаружения и предотвращения распространения вредоносного ПО, защищая подключенные устройства и данные пользователей.

The object of the study is malware and methods for its detection. The subject of the study is machine learning algorithms and neural networks for classifying files into malicious and safe. The purpose of the work is to develop an antivirus solution based on neural networks. Relevance of the work: the acceleration of the digitalization process makes the issue of protecting confidential data critically important. Traditional methods of antivirus protection are ineffective against zero-day attacks; more intelligent solutions are needed. Research methods: literature review, comparative analysis of machine learning algorithms and models, experimental studies, supervised learning, model validation and testing, software development, iterative testing. Results of the work: the antivirus software "Arbiter v2.5" has been created, surpassing existing neural network solutions. High accuracy of threat detection, including zero-day attacks, has been experimentally proven. Scientific novelty lies in the application of neural network language models for anti-virus file analysis. The proposed approach demonstrates significant potential for improving the issue of cybersecurity and has prospects for further research. / Объект исследования – вредоносное ПО и методы его обнаружения. Предметом исследования являются алгоритмы машинного обучения и нейронные сети для классификации файлов на вредоносные и безопасные. Цель работы – разработка антивирусного решения на основе нейронных сетей. Актуальность работы: ускорение процесса цифровизации делает вопрос защиты конфиденциальных данных критически важным. Традиционные методы антивирусной защиты малоэффективны против атак «нулевого дня», необходимы более интеллектуальные решения. Методы исследования: литературный обзор, сравнительный анализ алгоритмов и моделей машинного обучения, экспериментальные исследования, обучение с учителем, валидация и тестирование модели, разработка ПО, итерационное тестирование. Результаты работы: создано антивирусное ПО «Arbiter v2.5», превосходящее существующие нейросетевые решения. Экспериментально доказана высокая точность обнаружения угроз, включая атаки «нулевого дня». Научная новизна заключается в применении нейросетевых языковых моделей для антивирусного анализа файлов. Предложенный подход демонстрирует значительный потенциал для улучшения вопроса кибербезопасности и имеет перспективы для дальнейших исследований.

This work is devoted to the creation of a study of human cardiac pathologies based on ECG data using machine learning. The purpose of the study was to develop an effective model for assessing human cardiac pathologies. To achieve this goal, it is planned to analyze modern methods of machine learning. Select suitable tools for implementing the model, select a dataset with ECG data, conduct experiments with training various machine learning models and draw conclusions about the work done. The study of changes in human health based on ECG data using machine learning, proposed in the work, has significant potential for the timely detection of human pathologies based on ECG data. The created model has a high accuracy of assessment. / Данная работа посвящена созданию исследованию сердечных патологий человека на основе данных ЭКГ с использованием машинного обучения. Цель исследования заключалась в разработке эффективной модели оценки сердечных патологий человека. Для достижения этой цели предполагается провести анализ современных методов машинного обучения. Выбрать подходящие инструменты для реализации модели, выбрать датасет с данными ЭКГ, провести эксперименты с обучением различных моделей машинного обучения и сделать выводы о проделанной работе. Исследование изменения состояния здоровья человека на основе данных ЭКГ с использованием машинного обучения, предложенная в работе, обладает значительным потенциалом для своевременного выявления патологий человека на основе данных ЭКГ. Созданная модель имеет высокую точность оценки.

Целью данной магистерской диссертации является разработка и оценка модели глубокого обучения для автоматизированного повествования на основе последовательностей изображений. В работе рассматриваются современные методы компьютерного зрения и алгоритмы машинного обучения, которые позволяют генерировать текстовые описания на основе визуальных данных. Проведен анализ существующих подходов, разработана и настроена модель для генерации текстов, реализована и протестирована ее работа на реальных данных. Полученные результаты сравниваются с существующими решениями, что позволяет сделать выводы о преимуществе предложенной модели. / The aim of this master's thesis is to develop and evaluate deep learning model for automated storytelling based on image sequences. The thesis explores modern computer vision methods and machine learning algorithms that enable the generation of textual descriptions from visual data. An analysis of existing approaches was conducted, a model for text generation was developed and configured, and its performance was implemented and tested on real data. The obtained results are compared with existing solutions, allowing conclusions to be drawn about the advantages of the proposed model.

В данной выпускной квалификационной работе исследованы и применены модели глубокого машинного обучения для анализа и прогнозирования краткосрочных ценовых движений на финансовых рынках. Основной целью работы является изучение эффективности использования глубоких нейронных сетей, таких как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), для прогнозирования ценовых движений. Исследование основано на данных, полученных с API Tinkoff, включающих 7 269 изображений временных рядов и файлов CSV, разделенных на три класса: buy, sell и neutral. В работе были рассмотрены три модели: CNN с механизмом внимания, CNN с двумя путями и RNN с использованием GRU. Новизна исследования заключается в использовании моделей, обрабатывающих временные ряды как изображения, что является новаторским подходом и открывает новые перспективы для повышения точности и скорости прогнозов. Результаты показали, что модели глубокого машинного обучения могут эффективно анализировать и прогнозировать краткосрочные ценовые движения. Модель RNN с использованием GRU продемонстрировала наилучшую точность (94.67%) и низкие потери (0.13). Модель CNN с двумя путями также показала хорошие результаты с точностью 82.67% и потерями 0.72. Модель CNN с механизмом внимания, несмотря на более умеренные результаты, обладает потенциалом для дальнейшего улучшения благодаря способности фокусироваться на наиболее значимых частях данных. Применение глубоких нейронных сетей может значительно улучшить точность и оперативность торговых стратегий. Разработанные модели могут быть использованы трейдерами и финансовыми аналитиками для повышения эффективности принятия решений на высоковолатильных рынках. / This master's thesis investigates and applies deep machine learning models for analyzing and predicting short-term price movements in financial markets. The main goal of the work is to study the effectiveness of using deep neural networks, such as convolutional neural networks (CNN) and recurrent neural networks (RNN), for predicting price movements. The study is based on data obtained from the Tinkoff API, including 7,269 time series images and CSV files divided into three classes: buy, sell, and neutral. The work considered three models: CNN with attention mechanism, CNN with dual paths, and RNN with GRU. The novelty of the research lies in the use of models that process time series as images, which is an innovative approach and opens new prospects for improving the accuracy and speed of forecasts. The results showed that deep machine learning models can effectively analyze and predict short-term price movements. The RNN model with GRU demonstrated the highest accuracy (94.67%) and low losses (0.13). The CNN model with dual paths also showed good results with an accuracy of 82.67% and losses of 0.72. The CNN model with attention mechanism, despite more moderate results, has the potential for further improvement due to its ability to focus on the most significant parts of the data. The application of deep neural networks can significantly improve the accuracy and timeliness of trading strategies. The developed models can be used by traders and financial analysts to enhance decision-making efficiency in highly volatile markets.