Перспективы использования нейросетей в письменном переводе

Συγγραφείς: Golovanova, Valeria O., Piven, Irina V.

Θεματικοί όροι: LANGUAGE MODELS, MACHINE TRANSLATION, TRANSLATION AUTOMATION, НЕЙРОСЕТИ, TRANSFORMERS, TRANSLATION, NEURAL NETWORKS, ЯЗЫКОВЫЕ МОДЕЛИ, ТРАНСФОРМЕРЫ, ПИСЬМЕННЫЙ ПЕРЕВОД, МАШИННЫЙ ПЕРЕВОД, АВТОМАТИЗАЦИЯ ПЕРЕВОДА

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://elar.urfu.ru/handle/10995/143383

Image structural analysis and adaptive resonance in artificial neural networks (Review paper)

Συγγραφείς: V. R. Lutsiv, M. A. Mikhalkova, V. O. Yachnaya

Πηγή: Научно-технический вестник информационных технологий, механики и оптики, Vol 25, Iss 2, Pp 273-285 (2025)

Θεματικοί όροι: искусственные нейронные сети, структурный анализ, адаптивный резонанс, иерархическая организация, сверточные сети, капсульные сети, трансформеры, Information technology, T58.5-58.64

Περιγραφή αρχείου: electronic resource

Relation: https://ntv.elpub.ru/jour/article/view/447; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373

Σύνδεσμος πρόσβασης: https://doaj.org/article/2c200369c6ae4f629dab301c7a368b82

ОБРАБОТКА ЕСТЕСТВЕННОГО ЯЗЫКА С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ

Θεματικοί όροι: обработка естественного языка, GPT, трансформеры, компьютерная лингвистика, машинное обучение, NLP, синтаксический анализ, нейросети, BERT, генерация текста

ОБРАБОТКА ЕСТЕСТВЕННОГО ЯЗЫКА С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ

Θεματικοί όροι: обработка естественного языка, GPT, трансформеры, компьютерная лингвистика, машинное обучение, NLP, синтаксический анализ, нейросети, BERT, генерация текста

АЛГОРИТМЫ СИНТАКСИЧЕСКОГО И СЕМАНТИЧЕСКОГО АНАЛИЗА ТЕКСТА

Θεματικοί όροι: обработка естественного языка, парсинг, трансформеры, семантический анализ, компьютерная лингвистика, синтаксический анализ, представление смысла, нейросетевые модели

АЛГОРИТМЫ СИНТАКСИЧЕСКОГО И СЕМАНТИЧЕСКОГО АНАЛИЗА ТЕКСТА

Θεματικοί όροι: обработка естественного языка, парсинг, трансформеры, семантический анализ, компьютерная лингвистика, синтаксический анализ, представление смысла, нейросетевые модели

RuLegalNER: a new dataset for Russian legal named entities recognition

Συγγραφείς: Z. Shaheen, D. I. Mouromtsev, I. Postny

Πηγή: Научно-технический вестник информационных технологий, механики и оптики, Vol 23, Iss 4, Pp 854-857 (2024)

Θεματικοί όροι: распознавание именованных юридических сущностей, обработка естественного языка, извлечение информации, языки с ограниченными ресурсами, передаточное обучение, трансформеры, Information technology, T58.5-58.64

Περιγραφή αρχείου: electronic resource

Relation: https://ntv.elpub.ru/jour/article/view/233; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373

Σύνδεσμος πρόσβασης: https://doaj.org/article/0f03dc0f2c084451a875395fd3842bf6

Convolutional neural networks and transformers in skin tumor diagnostics: a comparative analysis of the efficiency of artificial intelligence models in computer vision programs ; Сверточные нейронные сети и визуальные трансформеры в диагностике опухолей кожи: сравнительный анализ эффективности моделей искусственного интеллекта в программах компьютерного зрения

Συγγραφείς: A. I. Lamotkin, D. I. Korabelnikov, А. И. Ламоткин, Д. И. Корабельников

Πηγή: FARMAKOEKONOMIKA. Modern Pharmacoeconomics and Pharmacoepidemiology; Vol 18, No 3 (2025); 365-375 ; ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология; Vol 18, No 3 (2025); 365-375 ; 2070-4933 ; 2070-4909

Θεματικοί όροι: диагностика, computer vision, convolutional neural networks, visual transformers, image classification, melanoma, benign neoplasms, malignant neoplasms, diagnosis, компьютерное зрение, сверточные нейронные сети, трансформеры, классификация изображений, меланома, доброкачественные опухоли, злокачественные опухоли

Περιγραφή αρχείου: application/pdf

Relation: https://www.pharmacoeconomics.ru/jour/article/view/1256/635; Schaumburg F., Berli C. Challenges and proposed solutions for optical reading on point-of-need testing systems. Front Sensors. 2023; 4. https://doi.org/10.3389/fsens.2023.1327240.; Visalini S., Kanagavalli R. A comprehensive survey of pneumonia diagnosis: image processing and deep learning advancements. In: 2023 3rd International Conference on Innovative Mechanisms for Industry Applications (ICIMIA). https://doi.org/10.1109/ICIMIA60377.2023.10426403.; Prabha S., Gupta S., Pandey S.P. Deep learning for medical image segmentation using convolutional neural networks. In: 2024 International Conference on Optimization Computing and Wireless Communication (ICOCWC). https://doi.org/10.1109/ICOCWC60930.2024.10470841.; Das M., Sambodhi P.P., Khare A., Naik S.A. Challenges of medical text and image processing. In: 2022 International Conference on Advancements in Smart, Secure and Intelligent Computing (ASSIC). https://doi.org/10.1109/ASSIC55218.2022.10088402.; Choudhury S., Gowri R., Babu Sena P., Dinh-Thuan D. (Eds) Intelligent Communication, Control and Devices Proceedings of ICICCD 2020: Proceedings of ICICCD 2020. https://doi.org/10.1007/978-981-16-1510-8.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Искусственный интеллект в здравоохранении и медицине: история ключевых событий, его значимость для врачей, уровень развития в разных странах. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2024; 17 (2): 243–50. https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.254.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Точность предварительной диагностики злокачественных меланоцитарных опухолей кожи с помощью программы искусственного интеллекта Melanoma Check. Медицинский вестник Главного военного клинического госпиталя им. Н.Н. Бурденко. 2025; 1: 42–51. https://doi.org/10.53652/2782-1730-2025-6-1-42-51.; Zhou Z., Jin Y., Ye H., et al. Classification, detection, and segmentation performance of image-based AI in intracranial aneurysm: a systematic review. BMC Med Imaging. 2024; 24 (1): 164. https://doi.org/10.1186/s12880-024-01347-9.; Корабельников Д.И., Ламоткин А.И. Эффективность применения искусственного интеллекта в клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (1): 114–24. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.287.; Alzubaidi L., Zhang J., Humaidi A.J., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 2021; 8 (1): 53. https://doi.org/10.1186/s40537-021-00444-8.; LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015; 521: 436–44. https://doi.org/10.1038/nature14539.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Предварительная дифференциальная диагностика доброкачественных и злокачественных опухолей из эпидермальной ткани кожи с применением программы искусственного интеллекта «Derma Onko Check». Современные проблемы здравоохранения и медицинской статистики. 2025; 2: 223–42. https://doi.org/10.24412/2312-2935-2025-2-223-242.; Ламоткин А.И., Корабельников Д.И., Олисова О.Ю., Ламоткин И.А. Эффективность предварительной дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с помощью программы искусственного интеллекта Derma Onko Check. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (2): 261–70. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.294.; Milletari F., Ahmadi S.A., Kroll C., et al. Hough-CNN: deep learning for segmentation of deep brain regions in MRI and ultrasound. Computer Vision Image Underst. 2017; 164: 92–102. https://doi.org/10.48550/arXiv.1601.07014.; Yamada M., Saito Y., Imaoka H., et al. Development of a real-time endoscopic image diagnosis support system using deep learning technology in colonoscopy. Sci Rep. 2019; 9 (1): 14465. https://doi.org/10.1038/s41598-019-50567-5.; Yadav D., Rathor S. Bone fracture detection and classification using deep learning approach. In: 2020 International Conference on Power Electronics & IoT Applications in Renewable Energy and its Control (PARC). https://doi.org/10.1109/PARC49193.2020.236611.; Rahman T., Chowdhury M.E., Khandakar A., et al. Transfer learning with deep convolutional neural network (CNN) for pneumonia detection using chest X-ray. Appl Sci. 2020; 10 (9): 3233. https://doi.org/10.3390/app10093233.; Hamamoto R., Suvarna K., Yamada M., et al. Application of artificial intelligence technology in oncology: towards the establishment of precision medicine. Cancers. 2020; 12 (12): 3532. https://doi.org/10.3390/cancers12123532.; Asada K., Kobayashi K., Joutard S., et al. Uncovering prognosisrelated genes and pathways by multi-omics analysis in lung cancer. Biomolecules. 2020; 10: 524. https://doi.org/10.3390/biom10040524.; Kobayashi K., Bolatkan A., Shiina S., Hamamoto R. Fully-connected neural networks with reduced parameterization for predicting histological types of lung cancer from somatic mutations. Biomolecules. 2020; 10 (9): 1249. https://doi.org/10.3390/biom10091249.; Takahashi S., Asada K., Takasawa K., et al. Predicting deep learning based multi-omics parallel integration survival subtypes in lung cancer using reverse phase protein array data. Biomolecules. 2020; 10 (10): 1460. https://doi.org/10.3390/biom10101460.; Takahashi S., Sakaguchi Y., Kouno N., et al. Comparison of vision transformers and convolutional neural networks in medical image analysis: a systematic review. J Med Syst. 2024; 48 (1): 84. https://doi.org/10.1007/s10916-024-02105-8.; Selvaraju R.R., Cogswell M., Das A., et al. Grad-CAM: visual explanations from deep networks via gradient-based localization. In: 2017 Proceedings of the IEEE international conference on computer vision. https://doi.org/10.48550/arXiv.1610.02391.; Takahashi S., Takahashi M., Kinoshita M., et al. Fine-tuning approach for segmentation of gliomas in brain magnetic resonance images with a machine learning method to normalize image differences among facilities. Cancers. 2021; 13: 1415. https://doi.org/10.3390/cancers13061415.; Nam H., Lee H., Park J., et al. Reducing domain gap by reducing style bias. In: 2021 Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. https://doi.org/10.48550/arXiv.1910.11645.; Yan W., Wang Y., Gu S., et al. The domain shift problem of medical image segmentation and vendor-adaptation by Unet-GAN. In: Medical Image Computing and Computer Assisted Intervention– MICCAI 2019: 22nd International Conference, Shenzhen, China, October 13–17, 2019, Proceedings, Part II. https://doi.org/10.48550/arXiv.1910.13681.; Barzekar H., Patel Y., Tong L., Yu Z. MultiNet with transformers: a model for cancer diagnosis using images. arXiv:230109007. https://doi.org/10.48550/arXiv.2301.09007.; Vaswani A., Shazeer N., Parmar N., et al. Attention is all you need. In: Advances in Neural Information Processing Systems 30 (NIPS 2017). https://doi.org/10.48550/arXiv.1706.03762.; Dosovitskiy A., Beyer L., Kolesnikov A., et al. An image is worth 16×16 words: transformers for image recognition at scale. arXiv:201011929. https://doi.org/10.48550/arXiv.2010.11929.; Liu Y., Wu Y.H., Sun G., et al. Vision transformers with hierarchical attention. arXiv:210603180. https://doi.org/10.48550/arXiv.2106.03180.; Han K., Wang Y., Chen H., et al. A survey on vision transformer. arXiv:2012.12556. https://doi.org/10.48550/arXiv.2012.12556.; Hatamizadeh A., Yin H., Heinrich G., et al. In: 2023 Global context vision transformers. arXiv:2206.09959. https://doi.org/10.48550/arXiv.2206.09959.; He K., Gan C., Li Z., et al. Transformers in medical image analysis. Intel Med. 2023; 3 (1): 59–78. https://doi.org/10.1016/j.imed.2022.07.002.; Stassin S., Corduant V., Mahmoudi S.A., Siebert X. Explainability and evaluation of vision transformers: an in-depth experimental study. Electronics. 2023; 13 (1): 175. https://doi.org/10.3390/electronics13010175.; Chetoui M., Akhloufi M.A. Explainable vision transformers and radiomics for COVID-19 detection in chest X-rays. J Clin Med. 2022; 11 (11): 3013. https://doi.org/10.3390/jcm11113013.; Dipto S.M., Reza M.T., Rahman M.N.J., et al. An XAI integrated identification system of white blood cell type using variants of vision transformer. In: Proceedings of the Second International Conference on Innovations in Computing Research (ICR’23). https://doi.org/10.1007/978-3-031-35308-6_26.; Cao Y.H., Yu H., Wu J. Training vision transformers with only 2040 images. arXiv:2201.10728. https://doi.org/10.48550/arXiv.2201.10728.; Lee S.H., Lee S., Song B.C. Vision transformer for small-size datasets. arXiv:211213492. https://doi.org/10.48550/arXiv.2112.13492.; Liu Y., Sangineto E., Bi W., et al. Efficient training of visual transformers with small datasets. arXiv:2106.03746. https://doi.org/10.48550/arXiv.2106.03746.; Fukushima K. Neocognitron: a self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biol Cybernetics. 1980; 36 (4): 193–202. https://doi.org/10.1007/BF00344251.; LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proceedings IEEE. 1998; 86 (11): 2278–324. https://doi.org/10.1109/5.726791.; Hamamoto R., Komatsu M., Takasawa K., et al. Epigenetics analysis and integrated analysis of multiomics data, including epigenetic data, using artificial intelligence in the era of precision medicine. Biomolecules. 2020; 10 (1): 62. https://doi.org/10.3390/biom10010062.; Himel G.M.S., Islam M.M., Al-Aff K.A., et al. Skin cancer segmentation and classification using vision transformer for automatic analysis in dermatoscopy-based noninvasive digital system. Int J Biomed Imaging. 2024; 2024: 3022192. https://doi.org/10.1155/2024/3022192.; https://www.pharmacoeconomics.ru/jour/article/view/1256

Διαθεσιμότητα: https://www.pharmacoeconomics.ru/jour/article/view/1256
https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.327

Сравнение T5 архитектуры в задаче перефразирования с аналогичными решениями

Θεματικοί όροι: перефразирование, архитектура T5, автоматическое перефразирование текста, модели-трансформеры, перефразирование текста, модель Pegasus Paraphrase

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://elib.belstu.by/handle/123456789/68239

Восстановление аэрофотоснимков сверхвысокого разрешения с учетом семантических особенностей

Συγγραφείς: Margarita Favorskaya, Andrey Pakhirka

Πηγή: Информатика и автоматизация, Vol 23, Iss 4, Pp 1047-1076 (2024)

Θεματικοί όροι: аэрофотоснимки, сверхвысокое разрешение, семантическая сегментация, сверточные нейронные сети, визуальные трансформеры, генеративно-состязательные сети, Electronic computers. Computer science, QA75.5-76.95

Περιγραφή αρχείου: electronic resource

Relation: http://ia.spcras.ru/index.php/sp/article/view/16405; https://doaj.org/toc/2713-3192; https://doaj.org/toc/2713-3206

Σύνδεσμος πρόσβασης: https://doaj.org/article/405f493cd42548efbd0c3c8617c3da17

Нейронные сети против классических ML-моделей: в каких случаях стоит усложнять архитектуру

Θεματικοί όροι: классические модели, ресурсоёмкость, табличные данные, SVM, выбор архитектуры, трансформеры, сравнение моделей, нейронные сети, машинное обучение, CNN, интерпретируемость, балансировка классов

Нейронные сети против классических ML-моделей: в каких случаях стоит усложнять архитектуру

Θεματικοί όροι: классические модели, ресурсоёмкость, табличные данные, SVM, выбор архитектуры, трансформеры, сравнение моделей, нейронные сети, машинное обучение, CNN, интерпретируемость, балансировка классов

Игрушка-трансформер как средство познавательного развития воспитанников

Συνεισφορές: Василенко, А. П., науч. рук.

Θεματικοί όροι: воспитатели, дети дошкольного возраста, познавательное развитие, игрушки-трансформеры, teacher, transformable toy, preschool child, дидактические игры, cognitive development, дошкольная педагогика

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://rep.vsu.by/handle/123456789/44913

Метод оценки эффективности мероприятий по формированию комфортной городской среды

Συγγραφείς: Melnikov, A.V., Galagan, K.V.

Θεματικοί όροι: semantic analysis, sentence transformer, TF-IDF, трансформеры, comfortable urban environment, семантический анализ, комфортная городская среда, transformers, УДК 004.822, NLP

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://dspace.susu.ru/xmlui/handle/00001.74/62649

Recognizing historical handwritten documents using deep machine learning methods ; Распознавание исторических рукописных документов с применением методов глубокого машинного обучения

Συγγραφείς: Мамедов, Т. Р., Ершов, Н. М.

Πηγή: System Analysis in Science and Education = Sistemnyj analiz v nauke i obrazovanii; No. 3 (2024); 46-53 ; Системный анализ в науке и образовании; № 3 (2024); 46-53 ; 2071-9612

Θεματικοί όροι: распознавание образов, глубокое обучение, рекуррентные нейронные сети, трансформеры, pattern recognition, deep learning, recurrent neural networks, transformers

Περιγραφή αρχείου: application/pdf

Relation: https://sanse.ru/index.php/sanse/article/view/625/595; https://sanse.ru/index.php/sanse/article/view/625

Διαθεσιμότητα: https://sanse.ru/index.php/sanse/article/view/625

Разработка интеллектуальной системы для автоматического ответа на отзывы покупателей на маркетплейсах с применением LLM

Συγγραφείς: Добровольский, Д. С., Олейников, В. С., Рац, Е. С.

Θεματικοί όροι: техника, искусственный интеллект, автоматизация, большая языковая модель, GPT-4, сентимент, трансформеры, классификация текста, обработка естественного языка

Relation: http://dspace.bsu.edu.ru/handle/123456789/64365

Διαθεσιμότητα: http://dspace.bsu.edu.ru/handle/123456789/64365

RESEARCH ON THE SPECIFIC FEATURES OF DETERMINING THE SEMANTIC SIMILARITY OF ARBITRARY-LENGTH TEXT CONTENT USING MULTILINGUAL TRANSFORMER-BASED MODELS

Συγγραφείς: Olizarenko, Serhii, Argunov, Vladimir

Πηγή: Сучасні інформаційні системи, Vol 4, Iss 3 (2020)
Сучасні інформаційні системи; Том 4 № 3 (2020): Сучасні інформаційні системи; 94-103
Advanced Information Systems; Vol. 4 No. 3 (2020): Advanced Information Systems; 94-103
Современные информационные системы-Sučasnì ìnformacìjnì sistemi; Том 4 № 3 (2020): Современные информационные системы; 94-103

Θεματικοί όροι: Information theory, векторне подання, semantic similarities, 02 engineering and technology, глибоке навчання, multilingual text content, обробка природної мови, QA76.75-76.765, Deep Learning, векторная подача, Transformers, news content, 0202 electrical engineering, electronic engineering, information engineering, Computer software, Q350-390, Natural Language Processing, тонке налаштування, семантическое сходство, 004.94, новинний конвент, багатомовний текстовий конвент, vector representation, семантична подібність, трансформери, обработка естественного языка, новостной контент, тонкая настройка, многоязычный текстовый контент, трансформеры, глубокое обучение, fine-tuning, BERT

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://ais.khpi.edu.ua/article/download/2522-9052.2020.3.13/213379
https://doaj.org/article/12c7951053b64867b61afbeab3d59aa7
http://ais.khpi.edu.ua/article/view/2522-9052.2020.3.13
http://ais.khpi.edu.ua/article/download/2522-9052.2020.3.13/213379
http://repository.kpi.kharkov.ua/handle/KhPI-Press/48571
http://ais.khpi.edu.ua/article/view/2522-9052.2020.3.13

Разработка прототипа системы управления в сфере логистики и транспорта, основанной на технологии обработки данных с использованием ML : магистерская диссертация

Συγγραφείς: Ivanov, I. A.

Συνεισφορές: Коломыцева, А. О., Kolomytseva, A. O., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Кафедра информационных технологий и систем управления

Θεματικοί όροι: GRAPH NEURAL NETWORKS, ЦИФРОВАЯ ПЛАТФОРМА, DIGITAL PLATFORM, МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ, ОНЛАЙН-БРОНИРОВАНИЕ, MASTER'S THESIS, УПРАВЛЕНИЕ ЦЕПЯМИ ПОСТАВОК, AUTOMATION, TRANSFORMERS, NEURAL NETWORKS, ETA, ML, НЕЙРОННЫЕ СЕТИ, ONLINE BOOKING, АВТОМАТИЗАЦИЯ, SUPPLY CHAIN MANAGEMENT, MACHINE LEARNING, МАШИННОЕ ОБУЧЕНИЕ, ТРАНСФОРМЕРЫ, LTL, ГРАФОВЫЕ НЕЙРОННЫЕ СЕТИ

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://elar.urfu.ru/handle/10995/140509

Дообучение больших языковых моделей для решения специализированных задач : магистерская диссертация

Συγγραφείς: Molchanova, T. A.

Συνεισφορές: Долганов, А. Ю., Dolganov, A. Yu., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Кафедра информационных технологий и систем управления

Θεματικοί όροι: LANGUAGE MODELLING, MACHINE TRANSLATION, ДООБУЧЕНИЕ МОДЕЛЕЙ, МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ, MASTER'S THESIS, MODEL TUNING, TRANSFORMERS, МАШИННЫЙ ПЕРЕВОД, МУЛЬТИЯЗЫЧНЫЙ МАШИННЫЙ ПЕРЕВОД, БОЛЬШИЕ ЯЗЫКОВЫЕ МОДЕЛИ, КВАНТИЗАЦИЯ МОДЕЛЕЙ, MULTILINGUAL MACHINE TRANSLATION, LARGE LANGUAGE MODELS, ЯЗЫКОВОЕ МОДЕЛИРОВАНИЕ, MODEL QUANTIZATION, ТРАНСФОРМЕРЫ

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://elar.urfu.ru/handle/10995/140525

Сравнительный криптоанализ шифра AES с помощью некоторых эвристических алгоритмов и методов машинного обучения: выпускная квалификационная работа магистра

Θεματικοί όροι: эвристические алгоритмы, machine learning, шифрование, aes, heuristic algorithms, трансформеры, transformers, neural networks, машинное обучение, криптоанализ, cryptoanalysis, нейросети