Випускні роботи студентів КІТ ДІІТ

Permanent URI for this communityhttps://crust.ust.edu.ua/handle/123456789/21755

ENG: Students' final projects

Browse

Now showing 1 - 2 of 2

Дослідження властивостей генерації тестів методами білої скриньки
(Український державний університет науки і технологій, Дніпро, 2026) Максимчук, Володимир Сергійович
UKR: Пояснювальна записка до кваліфікаційної роботи магістра: 117с., 8 рис., 2 табл., 30 джерел, 4 додатки. Об’єкт дослідження – процеси автоматичної генерації тестових сценаріїв за допомогою сучасних методів штучного інтелекту. Предмет дослідження – генеративні нейромережеві моделі та набори даних, що визначають точність і релевантність згенерованих тестів. Мета роботи – дослідити сучасні генеративні підходи до автоматичного створення тестів, оцінити їх ефективність та визначити оптимальні рішення для практичного використання у контролі якості програмного забезпечення. Методи дослідження – експериментальне тестування генеративних моделей на різних наборів даних, порівняльний аналіз якості згенерованих тестів за показниками точності, повноти та релевантності. Отримані результати – розроблено програмний застосунок для навчання та тестування генеративних моделей, що дозволяє оцінювати якість автоматично згенерованих тестових сценаріїв. Проведено експериментальне дослідження та визначено показники ефективності моделей для різних типів завдань контролю якості ПЗ.
Дослідження засобів штучного інтелекту для розпізнавання усного мовлення
(Український державний університет науки і технологій, Дніпро, 2026) Пазика, Катерина Станіславівна
UKR: Пояснювальна записка до кваліфікаційної роботи магістра виконана на 92 сторінках, містить 18 рисунків, 7 таблиць, 4 додатки, 19 джерел. Проведено дослідження засобів штучного інтелекту для розпізнавання усного мовлення. Виконано аналіз сучасних архітектур нейронних мереж, здатних працювати в умовах обмежених обчислювальних ресурсів та обрано дві архітектури для дослідження: CRNN та MobileNetV2. Досліджено вплив наборів даних на якість розпізнавання та узагальнювальну здатність моделей з використанням датасетів Google Speech Commands v0.01 та v0.02, що міслять аудіозаписи коротких мовних команд. розроблено програмний засіб що забезпечує обробку та аугментацію аудіоданих, реалізує механізм навчання та тестування моделей. У ході дослідження проводилось пряме тестування, при якому моделі тестувались на тому ж датасеті, на якому навчались та перехресне, при якому модель навчалась на одній версії датасету, а тестувалась на іншій. Результати тестування виводились у вигляді класифікаційного звіту, який включає в себе показники точності, повноти та F1-міри для кожної команди класу, а також список перших 10 правильних і неправильних розпізнавань. Програма написана мовою Python із використанням бібліотек PyTorch, Librosa, Scikit-learn, Tkinter. Мета роботи полягає у дослідженні сучасних засобів штучного інтелекту для розпізнавання мовлення та порівнянні отриманих результатів за показниками точності та узагальнювальної здатності.