Болезни листьев картофеля представляют значительную угрозу для глобальной продовольственной безопасности, влияя на урожайность и качество. Точные и эффективные методы классификации болезней имеют решающее значение для своевременного вмешательства и управления урожаем. В этом исследовании изучается эффективность современной архитектуры глубокого обучения YOLOv8 для классификации болезней листьев картофеля. Архитектура YOLOv8, известная своими возможностями обнаружения объектов в реальном времени, адаптирована для многоклассовой классификации болезней листьев картофеля. Благодаря трансферному обучению модель предварительно обучается на крупномасштабном наборе данных и настраивается на конкретном наборе данных о болезнях листьев картофеля. YOLOv8 использует одноступенчатую структуру обнаружения объектов, применяя ряд сверточных слоев для обнаружения и классификации болезней непосредственно на изображениях. Аналогичным образом для сравнения использовались Vision Transformers, которые показали многообещающие результаты в задачах классификации изображений. Экспериментальные результаты показали, что YOLOv8 показал точность 97,9%. Набор данных, используемый в этом исследовании, состоит из изображений листьев картофеля с высоким разрешением, пораженных различными болезнями, включая фитофтороз, раннюю гниль и здоровые листья. Для повышения надежности и обобщения модели были применены методы предварительной обработки, такие как дополнение и нормализация данных. Был проведен дополнительный анализ для понимания сильных и слабых сторон каждого подхода. YOLOv8 продемонстрировал превосходную производительность при обнаружении небольших поражений и сложных узоров на листьях картофеля благодаря своим возможностям обнаружения объектов. Это исследование способствует развитию компьютерного зрения в сельском хозяйстве, предоставляя информацию о производительности архитектур глубокого обучения для классификации болезней листьев картофеля. Результаты дают ценное руководство для исследователей и практиков, стремящихся разработать надежные и эффективные системы обнаружения болезней для поддержки устойчивых методов управления урожаем. / Potato leaf diseases pose a significant threat to global food security, affecting yield and quality. Accurate and efficient disease classification methods are crucial for timely intervention and crop management. This study investigates the efficacy state-of-the-art deep learning architecture, YOLOv8 for potato leaf disease classification. The YOLOv8 architecture, renowned for its real-time object detection capabilities, is adapted for multi-class classification of potato leaf diseases. Through transfer learning, the model is pre-trained on a large-scale dataset and fine-tuned on a specific potato leaf disease dataset. YOLOv8 leverages a single-stage object detection framework, employing a series of convolutional layers to detect and classify diseases directly from images. Similarly, Vision Transformers, which have shown promising results in image classification tasks, were employed for comparison. Experimental results revealed that YOLOv8 exhibited an accuracy of 97.9%. The dataset utilized in this research consists of high-resolution images of potato leaves affected by various diseases, including late blight, early blight, and healthy leaves. Preprocessing techniques such as data augmentation and normalization were applied to enhance model robustness and generalization. Further analysis was conducted to understand the strengths and limitations of each approach. YOLOv8 demonstrated superior performance in detecting small lesions and intricate patterns on potato leaves, owing to its object detection capabilities. This study contributes to advancing the field of agricultural computer vision by providing insights into the performance of deep learning architectures for potato leaf disease classification. The findings offer valuable guidance for researchers and practitioners seeking to develop robust and efficient disease detection systems to support sustainable crop management practices.

Искусственные нейронные сети – это концепция, которая исследуется с середины XX века, но до сих пор но только сейчас они переживают очень высокий темп роста. Благодаря значительным улучшениям в их поведения, за последние годы их использование перешло от использования только в академических целях до полностью внедрено и функционирует в нашей жизни. Эти нейронные сети являются системами, которые используются во многих различных приложениях в настоящее время. Таким образом, это дает нам главная особенность нейронных сетей: эти системы легко построить, самая большая проблема заключается в реализации алгоритма обучения, который состоит из следующих элементов алгоритм обучения, который состоит из нескольких очень простых итеративных математических операций (даже меньше, если мы используем и, в тоже время, это очень мощные системы. / Artificial neural networks are a concept that has been researched since the middle of the 20th century, but until now, but only now, they are experiencing a very high rate of growth. Due to significant improvements in their behavior, in recent years their use has gone from being used for academic purposes only to being fully implemented and functioning in our lives. These neural networks are systems that are used in many different applications nowadays. Thus, this gives us the main feature of neural networks: these systems are easy to build, the biggest problem is to implement a learning algorithm, which consists of the following elements, a learning algorithm that consists of several very simple iterative mathematical operations (even less if we use and At the same time, these are very powerful systems.

The object of the study is the methods and algorithms of machine learning used to develop and train virtual agents. The subject of the study is the process of training virtual agents in a gaming environment using machine learning methods on the Unity ML-Agents platform. The goal of the work is to develop a system for training virtual allies based on Unity ML-Agents, capable of demonstrating various levels of behavior complexity. Research methods: theoretical analysis, data analysis, machine learning algorithms, neural networks. As a result, a system for training virtual allies based on Unity ML-Agents was developed. Four universal game scenes were developed and tested, each of which demonstrates a certain level of complexity and type of agent behavior. / Объект исследования — методы и алгоритмы машинного обучения, применяемые для разработки и обучения виртуальных агентов. Предметом исследования является процесс обучения виртуальных агентов в игровом окружении с использованием методов машинного обучения на платформе Unity ML-Agents. Цель работы — разработка системы для обучения виртуальных союзников на базе Unity ML-Agents, способной демонстрировать различные уровни сложности поведения. Методы исследования: теоретический анализ, анализ данных, алгоритмы машинного обучения, нейронные сети. По итогу была разработана система для обучения виртуальных союзников на базе Unity ML-Agents. Были разработаны и протестированы четыре универсальных игровых сцены, каждая из которых демонстрирует определённый уровень сложности и тип поведения агентов.

Выпускная квалификационная работа магистра 63 стр., 15 рис., 1 табл., 30 источников. Цель работы – реализация программного комплекса для автоматического выпуска новых моделей машинного обучения на основе непрерывного отслеживания целевых метрик. Предметом исследования является автоматизация бизнес-процесса обновления модели машинного обучения. Объектом работы являются системы автоматических обновлений моделей машинного обучения. Результатом работы стала разработка программного комплекса. / Master's thesis 63 p., 15 figures, 1 table, 30 sources. The goal of the work is to implement a software package for automatically releasing new machine learning models based on continuous tracking of target metrics. The subject of the research is the automation of the business process of updating a machine learning model. The object of the work is systems for automatic updates of machine learning models. The result of the work was the development of a software package.

В дипломной работе исследуется применение моделей машинного обучения в системах видеонаблюдения на строительных объектах для повышения безопасности и эффективности процессов. Цель – создание нейросетевой модели для автоматического обнаружения защитных касок на изображениях людей на строительных площадках. Задача – разработка инструмента, способного оперативно и точно выявлять использование защитной экипировки в различных условиях. В ходе исследования выполнены: анализ существующих методов обнаружения объектов на изображениях, изучение архитектур нейронных сетей, разработка методики обучения модели, проведение экспериментального исследования с использованием реальных данных, сравнительный анализ разработанной методики и других методов, а также анализ результатов. Исследование охватило модели EfficientNetB0 и YOLOv8. Модели показали высокую точность распознавания объектов, но YOLOv8 выделяется возможностью работы в реальном времени. Практическая значимость работы – оперативное выявление нарушений использования защитной экипировки, что способствует повышению уровня безопасности. / The thesis explores the application of machine learning models in video surveillance systems at construction sites to enhance safety and efficiency. The goal is to create a neural network model for the automatic detection of protective helmets on images of people at construction sites. The task is to develop a tool capable of promptly and accurately identifying the use of protective equipment under various shooting conditions. The research included: analyzing existing methods for object detection in images, studying neural network architectures, developing a model training methodology, conducting experimental research using real data, comparative analysis of the developed methodology and other methods, and analyzing the results. The study covered the models EfficientNetB0 and YOLOv8. Both models demonstrated high object recognition accuracy, but YOLOv8 stands out for its real-time operation capability. The practical significance of the work lies in the rapid identification of violations in the use of protective equipment, contributing to increased safety levels.

There are the importance of planning and forecasting functions in the management of a commercial Bank is revealed. The author proposes a rational system of planning the development of the Bank with the help of machine learning tools. / В диссертационной работе раскрыта значимость функций планирования и прогнозирования в управлении коммерческим банком. Автором предложена рациональная система планирования развития банка на основе инструментов машинного обучения.

Актуальность темы обусловлена тем, что сегодня детским интернет-магазинам для сохранения своей конкурентоспособности на рынке детского ритейла, необходимо анализировать бизнес-процессы, устранять их недостатки, искать пути оптимизации и совершенствования бизнес-процессов. Целью данной выпускной квалификационной работы является автоматизация аналитической деятельности интернет-магазина Momchecked с применением методов машинного обучения. Практическая значимость исследования заключается в практическом применении предлагаемого способа на предприятии и получении экономической выгоды от результата внедрения информационной системы. Ключевой новизной диссертации является рассмотрение инновационных методов автоматизации аналитической отчетности предприятий, позволяющие повысить скорость обработки информации и снизить издержки компании за счет высвобождения рабочего времени сотрудников. / The relevance of the topic is due to the fact that today, for children's online stores to maintain their competitiveness in the children's retail market, it is necessary to analyze business processes, eliminate their shortcomings, and look for ways to optimize and improve business processes. The aim of this final qualification work is to automate the analytical activities of the Momchecked online store using machine learning methods. The practical significance of the study lies in the practical application of the proposed method at the enterprise and obtaining economic benefits from the result of the implementation of the information system. The key novelty of the dissertation is the consideration of innovative methods for automating the analytical reporting of enterprises, which can increase the speed of information processing and reduce company costs by freeing up staff time.

Работа посвящена обзору и выбору программного обеспечения для разработки модифицированных чат-бот приложений. В ней рассматриваются основные преимущества и описание процесса разработки чат-ботов. В работе используются передовые методы, алгоритмы и сценарии из области машинного обучения и искусственного интеллекта для формирования релевантного ответа чат-бота. / The work is devoted to the review and selection of software for the development of modified chatbot applications. It discusses the main benefits and describes the process of developing chatbots. The work uses advanced methods, algorithms, and scenarios from the field of machine learning and artificial intelligence to form a relevant chatbot response.

В рамках исследования были проанализированы данные о кредитных операциях, предоставленные коммерческими банками. Была проведена подробная предобработка и нормализация данных для подготовки их к дальнейшему анализу и использованию в моделях машинного обучения. Основной фокус работы был сосредоточен на применении двух моделей: логистической регрессии и случайного леса. Логистическая регрессия была выбрана из-за своей простоты и интерпретируемости, а случайный лес – из-за своей способности обрабатывать большие объемы данных и выявлять сложные зависимости. В ходе экспериментов было показано, что обе модели успешно справляются с задачей оценки кредитного риска. Логистическая регрессия показала хорошую производительность, быстроту и точность, что делает ее подходящей для применения в реальном времени, например, при личной подаче заявки в банке или при онлайн-заявках. Случайный лес, в свою очередь, достиг высокой точности, хотя требует больше вычислительных ресурсов. Дополнительно, в работе был использован метод генетического программирования для создания новых признаков на основе исходных данных. Этот подход позволил значительно улучшить производительность модели и повысить ее точность. Хотя не все созданные признаки вошли в топ-5 наиболее важных, генетическое программирование оказалось эффективным способом генерации признаков, что имеет важное значение в области оценки кредитного риска. / The study analyzed data on credit transactions provided by commercial banks. Detailed pre-processing and normalization of the data was carried out to prepare it for further analysis and use in machine learning models. The main focus of the work was on the use of two models: logistic regression and random forest. Logistic regression was chosen for its simplicity and interpretability, and random forest for its ability to handle large amounts of data and identify complex relationships. During the experiments, it was shown that both models successfully cope with the task of assessing credit risk. Logistic regression has demonstrated good performance, speed, and accuracy, making it suitable for real-time applications such as in-person applications at a bank or online applications. Random forest, in turn, has achieved high accuracy, although it requires more computing resources. Additionally, the work used the genetic programming method to create new traits based on the original data. This approach significantly improved the model's performance and accuracy. Although not all of the features generated were in the top 5 most important, genetic programming has proven to be an effective way to generate features, which has important implications in the field of credit risk assessment.

Объектом настоящего исследования являются алгоритмы и методы машинного обучения, и их применение в задачах прогнозирования временных рядов и анализа текста. В данном исследовании предложено применить модифицированную архитектуру рекуррентной нейронной сети (LSTM) для предсказания цены закрытия криптовалютных котировок на следующий день от текущего, а также, применить алгоритмы классификации, такие как: логистическая регрессия, Linear SVC, Gradient Boosting, для определения эмоциональной метки новостной записи для разработки стратегии прогнозирования точек входа и выхода из торговых позиций на рынке криптовалют. Исследование фокусируется на доказательстве того, что применение методов и алгоритмов машинного обучения для создания торговой стратегии для определения точек входа и выхода из торговой позиции, повысит эффективность процесса торговли, а также, ускорит процесс сбора и обработки аналитических данных для технического анализа рынка. Для обучения используемых моделей, разработаны и использованы программные средства (парсеры), с помощью которых извлекаются данные с криптовалютной торговой биржи Binance, а также, криптовалютной социальной сети CryptoPanic. Экспериментальные результаты показывают, что среднем автоматизированный процесс определения точек входа и выхода из торговых позиций быстрее в 2 раза чем при ручном определении, а количество сделок увеличится примерно на 17.5%. В итоге можно сделать вывод о том, что, используя передовые технологии возможно разработать инструмент для повышения эффективности торговли криптовалютой. / The object of this study is the algorithms and methods of machine learning, and their application in the problems of time series forecasting and text analysis. In this study, it is proposed to apply a modified architecture of a recurrent neural network (LSTM) to predict the closing price of cryptocurrency quotes the next day from the current one, and also to apply classification algorithms, such as: logistic regression, Linear SVC, Gradient Boosting, to determine the emotional label of a news entry to develop a strategy for predicting entry and exit points for trading positions in the cryptocurrency market. The study focuses on proving that the use of machine learning methods and algorithms to create a trading strategy to determine entry and exit points from a trading position will increase the efficiency of the trading process, as well as speed up the process of collecting and processing analytical data for technical market analysis. To train the models used, software tools (parsers) were developed and used, with the help of which data is extracted from the Binance cryptocurrency trading exchange, as well as the CryptoPanic cryptocurrency social network. Experimental results show that, on average, the automated process of determining entry and exit points from trading positions is 2 times faster than with manual determination, and the number of transactions will increase by about 17.5%. As a result, we can conclude that, using advanced technologies, it is possible to develop a tool to improve the efficiency of cryptocurrency trading.