ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ ПЕРЕВІРКИ МОДЕЛЕЙ
| dc.contributor.author | Савчук, О. О. | |
| dc.date.accessioned | 2025-12-22T12:10:25Z | |
| dc.date.issued | 2025 | |
| dc.description | Савчук, О. О. Використання машинного навчання для перевірки моделей = Application of Machine Learning for Model Verification: кваліфікаційна робота на здобуття ступеня вищої освіти «магістр» / О.О. Савчук; наук. керівник: В.С. Песчаненко; Міністерство освіти і науки України; Херсонський державний університет, факультет комп’ютерних наук, фізики та математики, кафедра комп’ютерних наук та програмної інженерії. – Херсон – Івано-Франківськ : ХДУ, 2025. – 67 с. | |
| dc.description.abstract | У магістерській роботі досліджено застосування методів машинного навчання для автоматизації процесу перевірки програмних та математичних моделей. Робота присвячена аналізу сучасних проблем тестування, які виникають у складних інженерних системах, та обґрунтуванню доцільності використання інтелектуальних алгоритмів для підвищення ефективності процесу верифікації. У роботі проаналізовано класичні методи перевірки моделей, їхні обмеження та недоліки. Запропоновано архітектуру системи перевірки, що поєднує машинне навчання з методами статистичного аналізу для виявлення помилок, прогнозування ризиків і автоматичної пріоритезації тестів. Проведено експериментальні дослідження, які довели, що застосування ансамблевих моделей (Random Forest, SVM, Neural Networks) дозволяє підвищити точність виявлення дефектів і зменшити час тестування до 35%. Особливу увагу приділено побудові архітектури системи, методам підготовки даних, а також практичній реалізації моделей у середовищах TensorFlow і Scikit-learn. Отримані результати доводять, що використання машинного навчання у процесах перевірки моделей забезпечує вищу ефективність, адаптивність і точність у порівнянні з традиційними підходами. In this master’s thesis, methods of machine learning are investigated as tools for automating the process of verifying software and mathematical models. The research focuses on identifying limitations of classical verification methods and proposing an intelligent architecture that integrates ML algorithms to improve testing accuracy and efficiency. The proposed system combines statistical analysis with supervised and ensemble learning methods (Random Forest, SVM, Neural Networks) to detect errors, predict risks, and prioritize testing procedures. Experimental results confirm that machine learning allows reducing verification time by up to 35% while increasing defect detection accuracy. The work also explores data preprocessing, model evaluation metrics, and practical implementation using TensorFlow and Scikit-learn. The research demonstrates that integrating ML techniques into verification processes enhances adaptability and reliability of engineering systems. | |
| dc.identifier.uri | https://ekhsuir.kspu.edu/handle/123456789/21743 | |
| dc.subject | машинне навчання | |
| dc.subject | перевірка моделей | |
| dc.subject | штучний інтелект | |
| dc.subject | тестування програмного забезпечення | |
| dc.subject | автоматизація | |
| dc.subject | ансамблеві методи | |
| dc.subject | нейронні мережі | |
| dc.subject | SVM | |
| dc.subject | Random Forest | |
| dc.subject | TensorFlow | |
| dc.subject | Scikit-learn | |
| dc.subject | верифікація | |
| dc.subject | якість програмних систем | |
| dc.subject | machine learning | |
| dc.subject | model verification | |
| dc.subject | artificial intelligence | |
| dc.subject | software testing | |
| dc.subject | automation | |
| dc.subject | ensemble methods | |
| dc.subject | neural networks | |
| dc.subject | verification | |
| dc.subject | software quality. | |
| dc.title | ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ ПЕРЕВІРКИ МОДЕЛЕЙ | |
| dc.title.alternative | APPLICATION OF MACHINE LEARNING FOR MODEL VERIFICATION | |
| dc.type | Other |