В современном мире машинное обучение и анализ данных широко применяются в науке и технике, в том числе в медицинской диагностике и исследовании окуломоторной активности. Окулография, изучающая движения глаз, становится всё популярнее в медицинских областях, включая неврологию. В работе описывается процесс извлечение и классификация признаков из окулографических данных двух групп риска испытуемых с целью выявления наличия заболевания дислексии с использованием различных подходов и методов машинного обучения. / In modern world, machine learning and data analysis are widely used in science and technology, including in medical diagnostics and research of oculomotor activity. Oculography, studying eye movements, becomes more and more popular in medical fields, including neurology. This work describes the process of extracting and classifying features from oculographic data of two risk groups of subjects in order to detect the presence of dyslexia using various machine learning approaches and methods.

В современном мире текстовая обработка и искусственный интеллект активно используются для автоматизации различных процессов, включая создание аннотаций для художественных произведений. Автоматическая генерация аннотаций помогает читателям быстро понять содержание книги и принять решение о её прочтении. В этой диссертации проводится исследование различных моделей генерации аннотаций, таких как Bag-of-Words (BoW), TF-IDF, Latent Dirichlet Allocation (LDA), Recurrent Neural Networks (RNNs), BERT (Bidirectional Encoder Representations from Transformers), T5 и PEGASUS. Эффективность этих моделей оценивается с помощью метрик BLEU Score, ROUGE Score, METEOR Score, F1 Score и CIDEr Score. Для тестирования моделей используется датасет, состоящий из книг в формате .docx. Результаты работы позволяют выявить наиболее эффективные методы автоматической генерации аннотаций и предлагают направления для дальнейшего совершенствования этих моделей. / In today's world, text processing and artificial intelligence are actively used to automate various processes, including the creation of annotations for fiction works. Automatic annotation generation helps readers quickly grasp the content of a book and decide whether to read it. This dissertation investigates various models for generating annotations, such as Bag-of-Words (BoW), TF-IDF, Latent Dirichlet Allocation (LDA), Recurrent Neural Networks (RNNs), BERT (Bidirectional Encoder Representations from Transformers), T5, and PEGASUS. The effectiveness of these models is evaluated using metrics such as BLEU Score, ROUGE Score, METEOR Score, F1 Score, and CIDEr Score. A dataset of books in .docx format is used to test the models. The results of the study identify the most effective methods for automatic annotation generation and suggest directions for further improvement of these models.

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.

This thesis is dedicated to the design of a Laboratory Information System (LIS) using machine learning methods. The relevance of the study is driven by the need to automate routine operations and enhance the efficiency of laboratory processes in the construction industry. Research Objective: To design a Laboratory Information System (LIS) utilizing machine learning algorithms. Research Tasks: Analyze existing approaches to designing information systems. Investigate hypotheses regarding the application of machine learning within an information system. Develop an optical character recognition (OCR) microservice and prepare it for integration into the laboratory information system. Research Methods: The primary focus is on the development and implementation of a text recognition model based on the SVTR architecture. Results: A Laboratory Information System was designed, comprising client and server parts, as well as a microservice for processing optical character recognition (OCR). The text recognition model was trained on synthetic data. Conclusions: The research results demonstrate that using the SVTR model in PaddleOCR significantly improves text recognition quality. The developed LIS enables the automation and optimization of laboratory processes, ensuring high performance and system scalability. / Данная выпускная квалификационная работа посвящена проектированию лабораторной информационной системы (ЛИС) с использованием алгоритмов машинного обучения. Актуальность исследования обусловлена потребностью в автоматизации рутинных операций и повышении эффективности лабораторных процессов в строительной отрасли. Цель исследования: проектирование лабораторной информационной системы (ЛИС) с использованием алгоритмов машинного обучения. Задачи исследования: анализ существующих подходов к проектированию информационных систем; исследование гипотез применения машинного обучения в рамках информационной системы; разработка микросервиса для оптического распознавания символов (OCR) и подготовка его для интеграции в лабораторную информационную систему. Методы исследования: Основное внимание уделено внедрению модели распознавания текста на основе архитектуры SVTR. Результаты: Спроектирована лабораторная информационная система, включающая клиентскую и серверную части, а также микросервис для обработки оптического распознавания символов (OCR). Проведено обучение модели распознавания текста на синтетических данных. Выводы: Результаты исследования демонстрируют, что использование модели SVTR в PaddleOCR значительно улучшает качество распознавания текста. Разработанная ЛИС позволяет автоматизировать и оптимизировать лабораторные процессы, обеспечивая высокую производительность и масштабируемость системы.

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.

Разработка прототипа системы управления мобильным роботом на основе внешнего видеонаблюдения с применением методов машинного обучения. / Development of a prototype of a mobile robot control system based on external video surveillance using machine learning methods.

Исследование продемонстрировало, что методы машинного обучения могут успешно применяться для качественного анализа литературных произведений. Полученные данные свидетельствуют о высокой точности и надежности предложенных подходов. Это открывает широкие возможности для дальнейшего развития и применения данных технологий в филологических исследованиях и литературной критике. / The research demonstrated that machine learning methods can be successfully applied for qualitative analysis of literary works. The obtained data indicate high precision and reliability of the proposed approaches. This paves the way for further development and application of these technologies in philological studies and literary criticism.

В работе решается актуальная бизнес-задача проектирования алгоритма прогнозирования сырья для производственного косметического предприятия на базе машинного обучения, модель экстремального градиентного бустинга (XGBoost), продемонстрировавшая высокую точность и стабильность прогнозов. Собраны наборы данных, проведен анализ и исследованы методы прогнозирования спроса и сырья, включая модели прогнозирования ARIMA, SARIMA, Хольта-Винтерса, Prophet и различные модели машинного обучения. Использовались метрики: MAE, MSE и MAPE, R2. Статистические модели и модели на основе нейронных сетей, такие как LSTM, показали менее стабильные результаты, чем машинное обучение. Разработан комплексный алгоритм прогнозирования сырья, включающий этапы прогнозирования спроса и расчета потребности в сырье. Прототип алгоритма реализован с использованием Streamlit. Предложены рекомендации по внедрению алгоритма, включая интеграцию с существующими системами и расчет экономической эффективности. / The work solves the current business problem of designing a raw material forecasting algorithm for a cosmetics manufacturing enterprise based on machine learning, the extreme gradient boosting model (XGBoost), which has demonstrated high accuracy and stability of forecasts. Collected data sets, analyzed and researched demand and raw material forecasting methods including ARIMA, SARIMA, Holt-Winters, Prophet and various machine learning models. Metrics used: MAE, MSE and MAPE, R2. Statistical and neural network models such as LSTM have shown less consistent results than machine learning. A comprehensive algorithm for forecasting raw materials has been developed, including the stages of forecasting demand and calculating the need for raw materials. The algorithm prototype is implemented using Streamlit. Recommendations are offered for the implementation of the algorithm, including integration with existing systems and calculation of economic efficiency.

В диссертации разработан алгоритм прогнозирования параметров воздушного потока, а также аэродинамических коэффициентов крыла самолета. Алгоритм работает со структурированными данными. Созданные в результате его работы модели машинного обучения значительно сокращают количество вычислений методом вычислительной гидродинамики, а следовательно, и общее время расчетов. / The dissertation developed an algorithm for predicting the parameters of the airflow, as well as the aerodynamic coefficients of the aircraft wing. The algorithm works with structured data. The machine learning models created as a result of his work significantly reduce the number of calculations using computational fluid dynamics, and therefore the total calculation time.

В данной работе исследуется проблема повышения качества принятия управленческих решений в региональных органах власти с помощью имплементации современных технологий машинного обучения. Целью работы является разработка и внедрение алгоритмов определения и оценки причинно-следственных связей между факторами влияния и значениями социально-экономических и отраслевых показателей развития региона, базирующихся на комплексе моделей анализа данных и машинного обучения. Для достижения этой цели были выполнены задачи по разработке методологической основы, архитектуры программного комплекса и прототипа системы прогнозирования влияния управленческих решений на изменение показателей социально-экономического развития региона. В результате проведенного исследования был разработан и протестирован прототип программного обеспечения, нацеленного на решение задачи поддержки принятия решений при управлении регионом. Была проведена оценка существующих инструментов для проведения причинно-следственного анализа, рассмотрена методология его проведения и проработана концепция дальнейшего развития программного обеспечения. Проведенная оценка экономических показателей разработки полноценной цифровой модели показала целесообразность ее создания и применения в практике органов власти Ямало-Ненецкого автономного округа. / This paper investigates the problem of improving the quality of decision-making in regional government structures through the implementation of modern machine learning technologies. The aim of the work is to develop and implement algorithms for determining and evaluating causal inference between influencing factors and the values of socio-economic and industry development indicators of the region, based on a set of data analysis and machine learning models. To achieve this goal, tasks were performed to develop a methodological framework, the architecture of a software package, and a prototype of a system for forecasting the impact of management decisions on changes in socio-economic development indicators of the region. As a result of the research, a software prototype was developed and tested, aimed at solving the problem of decision support in regional management. An evaluation of existing tools for causal inference was conducted, the methodology for conducting it was considered, and the concept for further development of the software was worked out. The evaluation of economic indicators of the development of a full-fledged digital model showed the feasibility of its creation and application in the practice of the Yamalo-Nenets autonomous okrug's government.