https://ir.lib.vntu.edu.ua//handle/123456789/12783 2026-07-13T06:38:48Z 2026-07-13T06:38:48Z Іванов, А. І. Шмундяк, Д. О. Козачко, О. М. Ivanov, A. Shmundiak, D. Kozachko, O. https://ir.lib.vntu.edu.ua//handle/123456789/51936 2026-06-29T09:56:35Z 2026-01-01T00:00:00Z

Системний аналіз та створення дашборду трафіку клієнтів інтернет-магазину з соціальних мереж Іванов, А. І.; Шмундяк, Д. О.; Козачко, О. М.; Ivanov, A.; Shmundiak, D.; Kozachko, O. The paper presents a systems analysis of an online store's advertising-analytical ecosystem and proposes a comprehensive Python-based analytical solution for studying customer traffic from social networks. The system under study is decomposed into four subsystems (Facebook Ads, Google Ads, organic traffic, conversion funnel) and four classes of uncertainty are distinguished — algorithmic, seasonal, competitive, and behavioral. Five analytical methods are applied: descriptive statistics, STL time-series decomposition, Spearman correlation analysis, comparative-segmentation analysis, and conversion funnel analysis. A system of analytical dashboards is built to visualize the obtained numerical results and to support data-driven marketing decisions.; У роботі представлено системний аналіз рекламно-аналітичної екосистеми інтернет-магазину та запропоновано комплексне аналітичне рішення на основі мови Python для дослідження трафіку клієнтів із соціальних мереж. Досліджувану систему декомпозовано на чотири підсистеми (Facebook Ads, Google Ads, органічний трафік, конверсійна воронка) та виокремлено чотири класи невизначеності — алгоритмічну, сезонну, конкурентну та поведінкову. Застосовано п"ять методів аналізу: описову статистику, STL-декомпозицію часових рядів, кореляційний аналіз за коефіцієнтом Спірмена, порівняльно-сегментний аналіз та аналіз конверсійної воронки. Побудовано систему з аналітичних дашбордів, що візуалізують отримані числові результати та забезпечують підтримку обґрунтованих маркетингових рішень.

2026-01-01T00:00:00Z Бобко, Б. В. Жуков, С. О. Bobko, В. Zhukov, S. https://ir.lib.vntu.edu.ua//handle/123456789/51706 2026-05-27T13:39:30Z 2026-01-01T00:00:00Z

Системний аналіз ефективності інтелектуальних методів для ідентифікації клінічних закономірностей у неструктурованих медичних текстах Бобко, Б. В.; Жуков, С. О.; Bobko, В.; Zhukov, S. A systematic analysis of the effectiveness of modern intelligent methods based on natural language processing (NLP) and machine learning for the automated identification of clinical patterns and typical symptom complexes in unstructured medical texts. The study aims to summarise and comparatively evaluate existing approaches to detecting frequency-based and context-sensitive patterns in clinical narratives, as well as to assess the applicability of classical machine learning algorithms, deep learning models, hybrid approaches, and AutoML platforms for binary, multiclass, and multilabel classification of symptoms and diagnoses. Special attention is given to the role of contextual characteristics in improving the reliability of automated clinical text interpretation.; Мета статті. Cистемний аналіз ефективності сучасних інтелектуальних методів обробки природної мови та машинного навчання для автоматизованої ідентифікації клінічних закономірностей і типових симптомокомплексів у неструктурованих медичних текстах. Робота спрямована на узагальнення та порівняльну оцінку підходів до виявлення частотних і контекстуальних патернів у клінічних записах, а також на визначення перспектив застосування класичних алгоритмів, глибокого навчання, гібридних моделей та AutoML-платформ у задачах багатокласової та багатоміткової класифікації симптомів і діагнозів. Окрему увагу приділено ролі контекстуальних характеристик у підвищенні достовірності автоматизованого аналізу клінічних текстів. Методологія. Дослідження виконано у формі систематичного огляду з використанням рекомендацій PRISMA. Пошук наукових публікацій здійснювався в базах даних PubMed, EMBASE та Scopus без обмежень за роком публікації, з урахуванням україномовних і англомовних джерел. Загальний масив становив 1993 унікальні записи після усунення дублікатів, з яких 38 статей було включено до фінального аналізу за визначеними критеріями. Проведено структурований відбір та ручне вилучення даних щодо типів клінічних корпусів, методів NLP, алгоритмів контекстного аналізу, моделей машинного навчання та метрик оцінювання. Додатково виконано кількісний аналіз частоти симптомів і симптомокомплексів, а також аналіз контекстуальних патернів із використанням лексичних правил і трансформаторних моделей. Наукова новизна. Наукова новизна роботи полягає у комплексному поєднанні частотного та контекстуального підходів до аналізу клінічних текстів із фокусом саме на симптомокомплекси, а не окремі симптоми. Уперше в межах одного дослідження здійснено порівняльний аналіз ефективності правил, класичних методів машинного навчання, глибоких нейронних мереж, гібридних підходів та AutoML-рішень для задач ідентифікації клінічних закономірностей. Показано критичну роль алгоритмів контекстного аналізу, зокрема ConText, у підвищенні точності автоматизованої інтерпретації клінічних станів та обґрунтовано доцільність використання F1-оцінки й AUC як базових інтегральних метрик для оцінювання багатокласових і багатоміткових моделей. Висновки. Результати системного аналізу свідчать, що найвищу ефективність у задачах ідентифікації клінічних закономірностей демонструють підходи, які поєднують статистичні ознаки з контекстночутливими моделями машинного навчання. Урахування заперечення, гіпотетичності та часових характеристик істотно зменшує кількість хибних спрацювань і підвищує інформативність автоматизованого аналізу клінічних текстів. Використання AutoML і трансформаторних моделей розширює можливості масштабування таких рішень у реальних умовах, однак потребує уваги до інтерпретованості та переносимості моделей. Отримані результати можуть бути використані для побудови систем підтримки клінічних рішень, моніторингу захворюваності та подальших досліджень у сфері інтелектуального аналізу медичних даних.

2026-01-01T00:00:00Z Шмундяк, Д. О. Shmundiak, D. https://ir.lib.vntu.edu.ua//handle/123456789/51070 2026-04-01T12:36:54Z 2026-01-01T00:00:00Z

Застосування бібліотеки Darts для пошуку аномалій у часових рядах стану атмосферного повітря Шмундяк, Д. О.; Shmundiak, D. This paper examines the application of the Darts library as a tool for anomaly detection in air quality time series. An overview of the library`s anomaly detection module and its core components is provided, enabling the construction of flexible pipelines for identifying anomalous values. The usability of Darts within the Python environment and its integration with other popular libraries are analyzed. The results obtained on PM2.5 monitoring data the EcoCity network indicate that the Darts library is effective for automated anomaly detection in data analysis tasks.; У роботі розглянуто застосування бібліотеки Darts як інструменту для пошуку аномалій у часових рядах якості атмосферного повітря. Здійснено огляд відповідного модуля бібліотеки та його основних компонентів, які дозволяють будувати гнучкі конвеєри для ідентифікації аномальних значень. Проаналізовано зручність використання Darts у середовищі Python, її інтеграцію з іншими популярними бібліотеками. Отримані результати на даних моніторингу PM2.5 мережі EcoCity свідчать про доцільність використання бібліотеки Darts для автоматизованого виявлення аномалій у задачах аналізу даних.

2026-01-01T00:00:00Z Suprun, О. Korotin, D. Kravchenko, K. Goriachev, G. Tverdokhlib, А. Горячев, Г. В. https://ir.lib.vntu.edu.ua//handle/123456789/50750 2026-03-12T14:22:42Z 2026-01-01T00:00:00Z

A computer vision as a tool for automated quality control in smart manufacturing Suprun, О.; Korotin, D.; Kravchenko, K.; Goriachev, G.; Tverdokhlib, А.; Горячев, Г. В. Computer vision (CV) has emerged asone of the most significant enablers ofintelligent factoring system quality control,automated in the context of the AI revolution in the industrial setting today. In this research, we discuss how CV-based architecture can be applied to achieve real-time, adaptive,and scalable quality assurance. This is new research because it is anamalgamation–theevaluation of different mathematical modelsand artificial intelligence (AI). Deep learning, transfer learning, Bayesian networks, and edge computing are among the solutions, as are fog-cloud partnerships and their direct impact on manufacturing output, productivity, anddecision-making efficiency. The article provides comparative data on the performance of other CV frameworks in different industrial conditions by critically examiningthe new case studies. The practical implications are recommendations for adopting vision-driven systems to improveproduct consistency, increase human-machine interaction, and reduce operational downtime. In addition, the paper identifies shortcomings in computational resources, system compatibility, and information security that should be addressedin the next generation of smart factories.

2026-01-01T00:00:00Z