https://krs.chmnu.edu.ua/jspui/handle/123456789/2295 2026-03-04T09:44:26Z https://krs.chmnu.edu.ua/jspui/handle/123456789/4329 Title: Генерація синтетичних рентгенівських знімків на основі текстових описів із використанням нейронних мереж Authors: Шеремет, К. О. Abstract: Актуальність роботи зумовлена зростаючим використанням методів штучного інтелекту в медичній візуалізації та водночас обмеженою доступністю якісних і збалансованих наборів рентгенівських знімків. Етичні, правові та організаційні обмеження ускладнюють збір і поширення клінічних даних, що негативно впливає на навчання та узагальнювальну здатність діагностичних моделей. У цьому контексті генерація синтетичних рентгенівських зображень на основі текстових описів розглядається як перспективний підхід до розширення медичних датасетів, збереження приватності пацієнтів і моделювання рідкісних патологічних станів. Об’єкт – процес генерації синтетичних рентгенівських зображень грудної клітки на основі текстових описів. Предмет – методи та засоби адаптації глибоких генеративних моделей (зокрема архітектури SDXL) для синтезу анатомічно коректних медичних зображень. Метою роботи є підвищення якості генерації синтетичних медичних даних шляхом розробки та програмної реалізації інтелектуальної системи на базі донавчання моделі Stable Diffusion XL з використанням адаптерів LoRA та попередньої обробки текстових описів. У ході виконання роботи було проведено дослідження сучасних методів генерації медичних зображень і реалізовано інтелектуальну систему для синтезу рентгенівських знімків грудної клітки, яка забезпечує формування текстових запитів, керування параметрами генерації та створення синтетичних зображень із вбудованими метаданими. Особливу увагу приділено аналізу та очищенню текстових описів, що використовуються для навчання моделі, а також структуризації клінічних ознак на рівні окремих знімків. Реалізовано підхід до донавчання дифузійної моделі Stable Diffusion XL із використанням адаптерів LoRA, що дозволило зосередити модель на відтворенні вузькоспеціалізованих патологічних ознак. Relevance of the study is determined by the growing use of artificial intelligence methods in medical imaging and, at the same time, by the limited availability of high-quality and balanced datasets of chest X-ray images. Ethical, legal, and organizational constraints complicate the collection and dissemination of clinical data, which negatively affects the training and generalization capabilities of diagnostic models. In this context, the generation of synthetic chest X-ray images based on textual descriptions is considered a promising approach for expanding medical datasets, preserving patient privacy, and modeling rare pathological conditions. Object – the process of generating synthetic chest X-ray images based on textual descriptions. Subject – methods and tools for adapting deep generative models (in particular, the SDXL architecture) for the synthesis of anatomically correct medical images. The purpose of the study is to improve the quality of synthetic medical data generation through the development and software implementation of an intelligent system based on fine-tuning the Stable Diffusion XL model using LoRA adapters and preprocessing of textual descriptions. During the study, modern methods for medical image generation were investigated, and an intelligent system for synthesizing chest X-ray images was developed. The system provides functionality for forming textual prompts, controlling generation parameters, and producing synthetic X-ray images with embedded metadata. Special attention was paid to the analysis and cleaning of textual descriptions used for model training, as well as to the structuring of clinical features at the level of individual images. A fine-tuning approach for the Stable Diffusion XL diffusion model using LoRA adapters was implemented, enabling the model to focus on reproducing narrowly specialized pathological features. Description: Шеремет К. О. Генерація синтетичних рентгенівських знімків на основі текстових описів із використанням нейронних мереж : кваліфікаційна робота на здобуття освітнього ступеня «магістр» : спец. 122 «Комп’ютерні науки» / К. О. Шеремет ; ЧНУ ім. Петра Могили. - Миколаїв, 2025. - 133 с. 2025-12-01T00:00:00Z https://krs.chmnu.edu.ua/jspui/handle/123456789/4328 Title: Інформаційна система з оцінки готовності стартапу до масштабування Authors: Шавріна, І. О. Abstract: Проблема прийняття рішень щодо масштабування бізнесу є однією з найбільш критичних в управлінні інноваційними проєктами. Статистика свідчить, що передчасне масштабування є причиною краху значної частини стартапів, які вичерпують ресурси до моменту досягнення відповідності продукту ринку. У зв’язку з цим, розробка автоматизованих інструментів для комплексної діагностики зрілості бізнесу та підтримки прийняття рішень є важливим напрямом підвищення життєздатності інноваційних екосистем. Метою роботи є вдосконалення та спрощення процесу оцінювання готовності стартап-проектів до етапу масштабування шляхом створення програмного засобу підтримки прийняття рішень. Для досягнення поставленої мети використано методи системного аналізу, метод аналізу ієрархій (AHP), метод TOPSIS та методи об’єктно-орієнтованого програмування. Об’єктом дослідження є процеси прийняття управлінських рішень у стартап- компаніях на етапі підготовки до масштабування. Предметом дослідження є методи та моделі багатокритеріального оцінювання, зокрема гібридний підхід на основі методу аналізу ієрархій (AHP) та методу TOPSIS, а також програмні засоби їх реалізації. Методи дослідження. У роботі використано методи системного аналізу, метод аналізу ієрархій (AHP) для визначення ваг критеріїв, модифікований метод TOPSIS із застосуванням некомпенсаторної логіки («вето-порогів») для ранжування альтернатив, а також методи об’єктно-орієнтованого програмування. Результати дослідження. У першому розділі проаналізовано життєвий цикл стартапів та виявлено, що ключовим ризиком є дисбаланс між фінансовими ресурсами та відповідністю продукту ринку. У другому розділі розроблено мате- матичну модель, яка, на відміну від класичних підходів, блокує високі оцінки стар- тапів за наявності критичних недоліків у продукті. У третьому та четвертому розділах спроєктовано та реалізовано інформаційну систему у вигляді Telegram- бота мовою Python (з використанням бібліотек NumPy, Matplotlib та СУБД SQLite). Система включає модуль евристичного аналізу для генерації стратегічних рекомен- дацій. У п’ятому розділі проведено ретроспективну валідацію системи на реальних кейсах (Quibi та Grammarly), що підтвердило здатність алгоритму коректно іденти- фікувати ризики передчасного масштабування. В результаті розроблено інформаційну систему, яка здатна виконувати експрес-діагностику стартап-проєктів, візуалізувати результати оцінки та надавати обґрунтовані рекомендації для зниження ризиків масштабування. Наукова новизна полягає у вдосконаленні методу TOPSIS шляхом введення штрафних коефіцієнтів для критичних метрик стартапу. Практичне значення. Розроблена система дозволяє виконувати експрес- діагностику проєктів, візуалізувати результати у вигляді радарних діаграм та нада- вати обґрунтовані рекомендації засновникам та інвесторам. The problem of decision-making regarding business scaling is one of the most critical in innovation project management. Statistics show that premature scaling causes the failure of a significant portion of startups that exhaust resources before achieving product-market fit. In this regard, the development of automated tools for complex diagnostics of business maturity and decision support is an important direction for increasing the viability of innovation ecosystems. The goal of the work is to improve and simplify the process of assessing the readiness of startup projects for the scaling stage by creating a decision support software tool. To achieve this goal, methods of system analysis, the Analytic Hierarchy Process (AHP), the TOPSIS method, and object-oriented programming methods were used. The object of the research is the processes of managerial decision-making in startup companies at the stage of preparation for scaling. The subject of the research is the methods and models of multi-criteria assessment, specifically a hybrid approach based on the Analytic Hierarchy Process (AHP) and the TOPSIS method, as well as software tools for their implementation. Research methods. The work utilizes system analysis methods, the Analytic Hierarchy Process (AHP) for determining criterion weights, a modified TOPSIS method applying non-compensatory logic ("veto thresholds") for ranking alternatives, as well as object-oriented programming methods. Research results. The first chapter analyzes the startup life cycle and identifies the imbalance between financial resources and product-market fit as a key risk. In the second chapter, a mathematical model is developed which, unlike classical approaches, blocks high scores for startups in the presence of critical product flaws. In the third and fourth chapters, an information system is designed and implemented as a Telegram bot using Python (utilizing NumPy, Matplotlib libraries, and SQLite DBMS). The system includes a heuristic analysis module for generating strategic recommendations. In the fifth chapter, a retrospective validation of the system was conducted on real cases (Quibi and Grammarly), which confirmed the algorithm's ability to correctly identify premature scaling risks. As a result, an information system has been developed that is capable of performing express diagnostics of startup projects, visualizing assessment results, and providing grounded recommendations to reduce scaling risks. Scientific novelty lies in the improvement of the TOPSIS method by introducing penalty coefficients for critical startup metrics. Practical value. The developed system allows for express diagnostics of projects, visualization of results in the form of radar charts, and provision of grounded recommendations to founders and investors. Description: Шавріна І. О. Інформаційна система з оцінки готовності стартапу до масштабування : кваліфікаційна робота на здобуття освітнього ступеня «магістр» : спец. 122 «Комп’ютерні науки» / І. О. Шавріна ; ЧНУ ім. Петра Могили. - Миколаїв, 2025. - 103с. 2025-12-01T00:00:00Z https://krs.chmnu.edu.ua/jspui/handle/123456789/4327 Title: Інтелектуальна система картографування вибухонебезпечних предметів на основі даних БПЛА та глибинного навчання Authors: Чупина, В. Є. Abstract: Актуальність роботи полягає у створенні інтерактивної системи картографування вибухонебезпечних предметів, що дозволяє оперативно збирати, аналізувати та візуалізувати геопросторові дані з використанням БПЛА, технологій глибинного навчання та геоінформаційних систем. Об’єктом роботи є процеси картографування вибухонебезпечних предметів. Предметом роботи є методи збору, обробки та інтеграції геопросторових даних, алгоритми створення полігонів небезпечних територій і принципи побудови інтерактивної мапи у середовищі ArcGIS. Метою роботи є створення інтерактивної системи автоматизованого картографування вибухонебезпечних предметів. У результаті написання кваліфікаційної роботи було реалізовано повноцінну систему, що поєднує обробку даних з БПЛА, використання методів глибинного навчання та інструменти ГІС для побудови полігонів замінованих територій, з подальшою інтеграцією у систему управління інформацією в протимінній діяльності. Робота складається з пояснювальної записки, та додатків. Пояснювальна записка включає вступ, чотири розділи та висновки. У вступі визначено актуальність теми, сформульовано мету, об’єкт, предмет та завдання дослідження. У першому розділі проведено аналіз предметної області та огляд існуючих рішень. У другому розділі обґрунтовано моделі, методи та інформаційні технології для реалізації поставленої задачі. У третьому розділі розглянуто процес побудови геоінформаційної систем. У четвертому розділі описано логіку побудови полігонів, адміністрування та особливості експорту результатів. У висновках наведено підсумок виконаної роботи та її практичну значущість. The relevance of the work lies in the creation of an interactive system for mapping explosive objects, which allows for the rapid collection, analysis, and visualization of geospatial data using UAVs, deep learning technologies, and geographic information systems. The object of the work is the processes of mapping explosive objects. The subject of the work is methods for collecting, processing, and integrating geospatial data, algorithms for creating hazardous polygons, and principles for building an interactive map in the ArcGIS environment. The purpose of the work is to create an interactive system for automated mapping of explosive objects. As a result of writing the thesis, a full-fledged system was implemented that combines data processing from UAVs, the use of deep learning methods, and GIS tools for constructing polygons of mined areas, with subsequent integration into the information management system in mine action. The work consists of an explanatory note and appendices. The explanatory note includes an introduction, four chapters, and conclusions. The introduction defines the relevance of the topic and formulates the purpose, object, subject, and tasks of the study. The first chapter analyzes the subject area and reviews existing solutions. The second chapter substantiates the models, methods, and information technologies for implementing the task. The third chapter examines the process of building geoinformation systems. The fourth chapter describes the logic of building polygons, administration, and the specifics of exporting of results. The conclusions summarize the work performed and its practical significance. Description: Чупина В. Є. Інтелектуальна система картографування вибухонебезпечних предметів на основі даних БПЛА та глибинного навчання : кваліфікаційна робота на здобуття освітнього ступеня «магістр» : спец. 122 «Комп’ютерні науки» / В. Є. Чупина ; ЧНУ ім. Петра Могили. - Миколаїв, 2025. - 83 с. 2025-12-01T00:00:00Z https://krs.chmnu.edu.ua/jspui/handle/123456789/4326 Title: Інтелектуальна система ідентифікації фішингу Authors: Цимбал, А. Ю. Abstract: Фішингові атаки є одними з найпоширеніших видів кіберзлочинів, спрямова-них на отримання конфіденційної інформації користувачів шляхом соціальної ін-женерії та підробки вебресурсів. Щороку кількість таких атак зростає, завдаючи значної шкоди як окремим користувачам, так і великим організаціям. У зв’язку з цим, розробка інтелектуальних систем для автоматичного виявлення фішингових повідомлень та посилань є важливим напрямом підвищення рівня кібербезпеки та запобігання кіберзагрозам. Об'єктом дослідження є процеси автоматичного виявлення та класифікації фішингових повідомлень у цифрових комунікаційних системах, а також підробних URL-адрес, що використовуються у фішингових атаках. Предметом дослідження є методи і моделі машинного навчання для іденти-фікації фішингових повідомлень і посилань на основі аналізу текстових і URL-ознакових характеристик. Метою дослідження є підвищення рівня кібербезпеки, своєчасного попере-дження користувачів про потенційні загрози та зниження ризику несанкціонова-ного доступу до конфіденційної інформації. Для досягнення мети використано ме-тоди машинного навчання, обробки текстових даних та аналізу URL-адрес. Дана робота складається з чотирьох розділів, у яких розглянуто аналіз про-блеми фішингових атак і сучасних підходів до їх виявлення, зроблено проєктування архітектури інтелектуальної системи та вибір методів машинного навчання, про-грамну реалізацію системи PhisIdent, а також наведено результати навчання, тесту-вання й оцінку ефективності розробленої системи з урахуванням користувацького зворотного зв’язку. Phishing attacks are among the most widespread types of cybercrime, aimed at obtaining users’ confidential information through social engineering techniques and the spoofing of web resources. Each year, the number of such attacks increases, causing significant damage to both individual users and large organizations. In this context, the development of intelligent systems for the automatic detection of phishing messages and links is an important direction for enhancing cybersecurity and preventing cyber threats. The object of the study is the processes of automatic detection and classification of phishing messages in digital communication systems, as well as fraudulent URL addresses used in phishing attacks. The subject of the study is machine learning methods and models for identifying phishing messages and links based on the analysis of textual features and URL-based characteristics. The aim of the research is to increase the level of cybersecurity, provide timely warnings to users about potential threats, and reduce the risk of unauthorized access to confidential information. To achieve this aim, machine learning methods, text data processing techniques, and URL analysis are employed. This work consists of four chapters, which cover the analysis of the phishing attack problem and modern approaches to its detection, the design of the intelligent system architecture and the selection of machine learning methods, the software implementation of the PhisIdent system, as well as the results of training, testing, and evaluating the effectiveness of the developed system with consideration of user feedback. Description: Цимбал А. Ю. Інтелектуальна система ідентифікації фішингу : кваліфікаційна робота на здобуття освітнього ступеня «магістр» : спец. 122 «Комп’ютерні науки» / А. Ю. Цимбал ; ЧНУ ім. Петра Могили. - Миколаїв, 2025. - 103 с. 2025-12-01T00:00:00Z