Object of the study - development and testing of machine learning algorithms for recognizing and classifying control actions in power systems. The subject of the study is the process of developing, testing and implementing a system for identifying the volume of control actions in power systems based on the use of machine learning algorithms. The purpose of the work is to develop an adaptive system that uses machine learning algorithms in the problem of identifying the volume of control actions in the power system. Research methods: theoretical analysis, data analysis, algorithms for selecting significant features, machine learning algorithms, neural networks. As part of this work, a system has been developed that is capable of determining the required volume of control actions that must be transmitted to the power system in response to incoming data to prevent an emergency at a power facility. CatBoost, RandomForest, XGBoost, and neural networks based on the PyTorch and Tensorflow libraries were considered as the studied machine learning algorithms. The most accurate results were obtained using neural networks. The developed method is capable of determining the required volume of hydrocarbons with an average accuracy of 98%. / Объект исследования – разработка и тестирование алгоритмов машинного обучения для распознавания и классификации управляющих воздействий в энергосистемах. Предметом исследования выступает процесс разработки, тестирования и внедрения системы идентификации объема управляющих воздействий в энергосистемах на основе использования алгоритмов машинного обучения. Цель работы – разработка адаптивной системы, использующей алгоритмы машинного обучения в задаче идентификации объема управляющих воздействий в энергосистеме. Методы исследования: теоретический анализ, анализ данных, алгоритмы отбора значимых признаков, алгоритмы машинного обучения, нейронные сети. В рамках данной работы разработана система, способная определять необходимый объем управляющих воздействий, который должен быть передан энергосистеме в ответ на поступившие данные для предотвращения возникновения аварийной ситуации на энергообъекте. В качестве исследуемых алгоритмов машинного обучения были рассмотрены CatBoost, RandomForest, XGBoost, и нейронные сети на основе библиотек PyTorch и Tensorflow. Наиболее точные результаты были получены с помощью нейронных сетей. Разработанный метод способен определят необходимый объем УВ с средней точностью 98%.

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.

Comparison of hidden spaces of an auto-encoder and a variational auto-encoder in the problem of detecting anomalies in multidimensional time series. / Сравнение скрытых пространств автокодировщика и вариационного автокодировщика в задаче обнаружения аномалий в многомерных временных рядах.

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.

The object of the study is the churn of customers in the banking sector. The purpose of the work is to develop a system that can effectively predict the churn of customers in the banking sector using ML methods. Research methods: synthesis, analysis, statistical modeling, ranking and abstract logical method. Result of the work: a method for predicting the churn of customers in a bank based on a trained ML model and a web interface that provides access to this model. / Объект исследования – отток клиентов в банковской сфере. Цель работы – разработка системы, которая сможет эффективно прогнозировать отток клиентов в банковском секторе с использованием методов МО. Методы исследования: синтез, анализ, статистическое моделирование, ранжирование и абстрактно–логический метод. Результат работы: метод прогнозирования оттока клиентов в банке основанный на обученной модели МО и web-интерфейс, предоставляющий доступ к этой модели.

This work is devoted to the creation of a model for classifying cognitive functions of the brain based on the analysis of the Eye tracking signal using machine learning methods. The purpose of the study was to create a system for classifying cognitive functions based on analysis of the eye tracker signal, which could serve as the basis for designing a model and further implementing a neurorehabilitation system. To achieve the goal, a domain analysis was carried out, including a review of the use of modern machine learning methods for the task of medical classification; collection, marking and preprocessing of our own dataset with Eyetracking signals taken from volunteer test subjects was carried out; a study of the data was carried out and statistically significant signs were identified that determine the relationship with the psychofunctional state of a person; experiments were conducted with training various classification models; a model of the neurorehabilitation system was designed and conclusions were drawn about the work done. The results of the study open up new opportunities for further work in the field of neurorehabilitation and healthcare. / Данная работа посвящена созданию модели классификации когнитивных функций головного мозга по анализу сигнала Eye tracking с использованием методов машинного обучения. Цель исследования заключалась в создании системы классификации когнитивных функций на основе анализа сигнала айтрекера, которая сможет послужить основой для проектирования модели и дальнейшей реализации системы нейрореабилитации. Для достижения цели проведен анализ предметной области, включающий в себя обзор применения современных методов машинного обучения для задачи медицинской классификации; проведён сбор, разметка и предобработка собственного датасета с сигналами Eyetracking, снятых с добровольцев-испытуемых; проведено исследование данных и выделены статистически значимые признаки, определяющие взаимосвязь с психофункциональным состоянием человека; проведены эксперименты с обучением различных моделей классификации; спроектирована модель системы нейрореабилитации и сделаны выводы о проделанной работе. Результаты исследования открывают новые возможности для дальнейшей работы в области нейрореабилитации и здравоохранения.

The object of the study is the classification of medical text sequences of different lengths. The subject of the study is methods for creating a vector representation of text data, as well as algorithms capable of processing data without restrictions on the length of the sequence. The goal of the final qualification work of the master is to study methods of natural language processing for classification of medical texts of different lengths. Research methods: analysis, mathematical modeling, synthesis, comparison, experiment. The result of the work is: a review of existing methods for processing long texts; a collected dataset including more than 18,000 medical texts; a developed approach for processing long texts and accelerating the transformer model when encoding texts of different lengths. Based on the analysis results, the developed approach achieved the best classification results and inference time compared to the methods considered in the work. / Объект исследования – классификация медицинских текстовых последовательностей разной длины. Предметом исследования являются методы по созданию векторного представления текстовых данных, а также алгоритмы способные обрабатывать данные без ограничения на длину последовательности. Цель выпускной квалификационной работы магистра – исследование методов обработки естественного языка для классификации медицинских текстов разной длины. Методы исследования: анализ, математическое моделирование, синтез, сравнение, эксперимент. Результатом работы является: обзор существующих методов, позволяющих обрабатывать длинные тексты; собранный набор данных, включающий более 18 000 медицинских текстов; разработанный подход, позволяющий обрабатывать длинные тексты и ускоряющий модель трансформера при кодировке текстов разной длины. По итогам анализа разработанный подход достиг наилучший результатов классификации и времени инференса по сравнению с рассматриваемыми в работе методами.

The paper is devoted to the development of a prototype machine learning algorithm that allows to determine systolic and diastolic blood pressure using photoplethysmogram signal features. The groups of photoplethysmogram signal features are considered, the performance of machine learning models is compared, the results are interpreted. / Работа посвящена разработке прототипа алгоритма машинного обучения, позволяющего определять систолическое и диастолическое артериальное давления с использованием признаков сигнала фотоплетизмограммы. Рассмотрены группы признаков сигнала фотоплетизмограммы, приведено сравнение производительности моделей машинного обучения, выполнена интерпретация полученных результатов.

Object of the study - approximation of experimental data. Subject of the study - methodology for obtaining approximation formulas for experimental data using machine learning methods. The purpose of the work is to develop a tool that automates the selection of an approximation dependence and produces an empirical formula that maintains a balance between simplicity and quality of approximation. The following tasks were solved: 1) Review of literary sources and analysis of existing solutions. 2) Selection and study of functional dependencies for obtaining approximation formulas. 3) Selection, training and testing of machine learning tools for automating the selection of approximation functions. 4) Testing the final experimental data approximation tool on real examples and comparison with other methods. The developed tool allows to reduce the time spent on searching for the best mathematical dependence and coefficients for approximation. The result of the tool is a simple formula with a small number (less than 5) of parameters. / Объект исследования – аппроксимация экспериментальных данных. Предмет исследования – методология получения аппроксимирующих формул для экспериментальных данных при помощи методов машинного обучения. Цель работы – разработка инструмента, автоматизирующего выбор аппроксимационной завиисмости и выдающего эмпирическую формулу, соблюдающую баланс по простоте и качеству приближения. Решены следующие задачи: 1) Обзор литературных источников и анализ существующих решений. 2) Выбор и исследование функциональных зависимостей для получения аппроксимационных формул. 3) Выбор, обучение и тестирование инструментов машинного обучения для автоматизации выбора приближающих функций. 4) Тестирование итогового инструмента аппроксимации экспериментальных данных на реальных примерах и сравнение с другими методами. Разработанный инструмент позволяет уменьшить временные затраты на поиски лучшей математической зависимости и коэффициентов для аппроксимации. Результатом работы инструмента является простая формула с малым количеством (меньше 5) параметров.

This work presents a study of machine learning methods for classification of radio broadcast signals. The first chapter provides a brief overview of the subject area, as well as an analysis of current solutions on this topic in the field of machine learning, during which such models as LResNet and CCNN-Atten were considered. The second chapter described in detail the selected RadioML dataset and developed a structure of the experiments with the TimeSeriesForestClassifier, TimeForestClassifier, SVC, KNN models, taking into account various approaches to processing the original data. The third chapter of this work presents the results of the experiments: analysis of approaches to data processing, where the best solution was the calculation of the amplitude spectrum of the signal; results of selecting hyperparameters and testing models on an extended training set. The best identified model is TimeSeriesForestClassifier with an accuracy of 0.91 at an SNR of at least 10 dB. / В данной работе представлено исследование методов машинного обучения для классификации сигналов радиоэфира. В первой главе представлен краткий обзор предметной области, а также анализ актуальных решений на данную тематику в области машинного обучения, в ходе которого были рассмотрены такие модели как LResNet и CCNN-Atten. Во второй главе был подробно описан выбранный датасет RadioML и разработана структура проводимых экспериментов с моделями TimeSeriesForestClassifier, TimeForestClassifier, SVC, KNN с учетом различных подходов к обработке исходных данных. В третьей главе настоящей работы представлены результаты проводимых экспериментов: анализ подходов к обработке данных, где наилучшим решением оказалось вычисление амплитудного спектра сигнала; результаты подбора гиперпараметров и тестирования моделей на расширенной обучающей выборке. Наилучшей выявленной моделью является TimeSeriesForestClassifier с accuracy 0.91 при SNR не менее 10 dB.