<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Розпізнавання зображень за допомогою методів машинного навчання

dc.contributor.authorПетренчук, А. М.uk
dc.contributor.authorСергіївна, М. Ю.uk
dc.contributor.authorОлександрович, В. Л.uk
dc.contributor.authorPetrenchuk, A. M.en
dc.contributor.authorSerhiivna, Y. M.en
dc.contributor.authorOleksandrovych, V. L.en
dc.titleРозпізнавання зображень за допомогою методів машинного навчанняuk
dc.date.issued2026
dc.publisherВінницький національний технічний університетuk
dc.identifier.citationПетренчук А. М., Сергіївна М. Ю., Олександрович В. Л. Розпізнавання зображень за допомогою методів машинного навчання // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29507.uk
dc.relation.ispartofМатеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29507
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/56331
dc.description.abstractУ роботі розглянуто застосування згорткових нейронних мереж для задач розпізнавання зображень у рамках сучасних підходів машинного навчання. Проаналізовано принципи функціонування згорткових мереж, їх архітектуру та основні етапи навчання моделей на розмічених наборах даних. Особливу увагу приділено процесу автоматичного виділення ознак, що дозволяє значно підвищити точність класифікації порівняно з традиційними методами. Описано ключові етапи підготовки даних, зокрема нормалізацію, аугментацію та розділення вибірки. Визначено переваги використання CNN у задачах комп’ютерного зору.uk
dc.description.abstractThe paper considers the application of convolutional neural networks for image recognition tasks within modern machine learning approaches. The principles of operation of convolutional networks, their architecture, and the main stages of model training on labeled datasets are analyzed. Special attention is paid to the process of automatic feature extraction, which significantly improves classification accuracy compared to traditional image processing methods. The key stages of data preprocessing are described, including normalization, data augmentation, and splitting the dataset into training and testing subsets. The main evaluation metrics, such as accuracy, recall, and F1-score, are considered.en
dc.subjectмашинне навчанняuk
dc.subjectкомп’ютерний зірuk
dc.subjectзгорткові нейронні мережіuk
dc.subjectкласифікація зображеньuk
dc.subjectглибоке навчанняuk
dc.subjectmachine learningen
dc.subjectcomputer visionen
dc.subjectconvolutional neural networksen
dc.subjectimage classificationen
dc.subjectdeep learningen
dc.typeThesis
dc.language.isoukuk
dc.relation.referencesGoodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, 2016. – 800 p. [Електронний ресурс]. – Режим доступу: https://www.deeplearningbook.org/en
dc.relation.referencesGoogle. Machine Learning Crash Course [Електронний ресурс]. – Режим доступу: https://developers.google.com/machinelearningen
dc.relation.referencesIBM. Computer Vision: What It Is and Why It Matters [Електронний ресурс]. – Режим доступу: https://www.ibm.com/topics/computer-visionen
dc.relation.referencesScikit-learn. Model Evaluation Metrics [Електронний ресурс]. – Режим доступу: https://scikitlearn.org/stable/modules/model_evaluation.htmlen
dc.relation.referencesTensorFlow. Image Classification Tutorial [Електронний ресурс]. – Режим доступу: https://www.tensorflow.org/tutorials/images/classificationen
dc.relation.referencesHe K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE CVPR. – 2016. – P. 770–778.en
dc.relation.referencesLeshchenko Yu., Yukhimchuk M., Lesko V., Ivanov Yu. Integrating Clustering and Artificial Intelligence for Improved Efficiency in Last-Mile Logistics. Measuring and Computing Devices in Technological Processes. 2025. Vol. 84 (4). pp. 346-350. [Електронний ресурс]. - Режим доступу: https://doi.org/10.31891/2219-9365-2025-84-41en
dc.relation.referencesЮхимчук М.С., Лесько В.О., Дубовой В.М., Іванов Ю.Ю. Інтелектуальна система автоматичного керування процесом сушіння зернових культур на основі IoT-технологій. Наукові праці ВНТУ. Вінниця: ВНТУ, 2025. №4. C. 1-8. [Електронний ресурс].- Режим доступу: https://doi.org/10.31649/2307-5376-2025-4-46-53uk
dc.relation.referencesDevelopment and Research of the Hardware and Software Architecture of an IoT-Node for Monitoring Technological Parameters Based on Nodemcu V3 and Prometheus / M.S. Yukhymchuk, V.O. Lesko, Yu.Yu. Ivanov, P.P. Strembitskiy. Measuring Technology and Metrology. Lviv: Lviv Polytechnic National University, 2026. Issue 87, № 1. pp. 59-62. [Електронний ресурс]. - Режим доступу: https://doi.org/10.23939/istcmtm2026.01.059.en
dc.relation.referencesПроєктування системи автоматичного управління технологічним процесом сушіння зерна / М.С. Юхимчук, В.О. Лесько, Ю.Ю. Іванов, Ю.А. Горчук, О.В. Климчук. Наукові праці ВНТУ. Вінниця: ВНТУ, 2026. № 1. C. 1-17.uk
dc.date.accessioned2026-11-16T14:44:53Z

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Завантаження...
Ескіз
Назва:
29507.pdf
Розмір:
267,8 KB
Формат:
Adobe Portable Document Format