Analysis of big data in computer graphics ; Аналіз великих даних у комп’ютерній графіці

Συγγραφείς: Романюк, О.Н., Павлов, С.В., Бобко, О.Л., Завальнюк, Є.К., Решетнік, О.О.

Πηγή: Optoelectronic Information-Power Technologies; Vol. 47 No. 1 (2024); 50-57 ; Оптико-електроннi iнформацiйно-енергетичнi технологiї; Том 47 № 1 (2024); 50-57 ; 2311-2662 ; 1681-7893 ; 10.31649/1681-7893-2024-47-1

Θεματικοί όροι: Big data, rendering, parallelization, machine learning, великі дані, рендеринг, паралелізація, машинне навчання

Περιγραφή αρχείου: application/pdf

Relation: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/684/641; https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/684

Διαθεσιμότητα: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/684
https://doi.org/10.31649/1681-7893-2024-47-1-50-57

Прогнозування попиту на пасажирські перевезення таксі методами нейронної мережі

Συγγραφείς: M. I. Zghoba, Yu. I. Hrytsiuk

Πηγή: Науковий вісник НЛТУ України, Vol 31, Iss 3, Pp 109-119 (2021)

Θεματικοί όροι: пришвидшення процедури навчання, навчання нейронної мережі, 11. Sustainability, паралелізація процедури навчання, 0202 electrical engineering, electronic engineering, information engineering, Forestry, машинне навчання, 02 engineering and technology, конфігурація апаратного забезпечення, SD1-669.5, інформаційно-аналітична система

Σύνδεσμος πρόσβασης: https://nv.nltu.edu.ua/index.php/journal/article/view/2299/2342
https://doaj.org/article/2a4b90dae96f432f9063c6101d1765f6
https://nv.nltu.edu.ua/index.php/journal/article/view/2299

Тренування нейронної мережі для прогнозування попиту на пасажирські перевезення таксі за допомогою графічних процесорів

Συγγραφείς: Zghoba, M. I., Hrytsiuk, Yu. I.

Συνεισφορές: Національний університет 'Львівська політехніка', Lviv Polytechnic National University

Θεματικοί όροι: demand forecasting, пришвидшення процедури навчання, training speedup, machine learning, прогнозування попиту, training parallelization, машинне навчання, тренування нейронної мережі, паралелізація процедури тренування, neural network training

Περιγραφή αρχείου: application/pdf; image/png

Σύνδεσμος πρόσβασης: https://ena.lpnu.ua/handle/ntb/56899

Mechanism of Interaction Between Sources of International and National Law in Terms of European Integration

Συγγραφείς: Kolodiazhna, V.

Θεματικοί όροι: reception, sending, transformation, теорія виконання, mechanism, interaction, механізм, трансформація, паралелізація, адмісія, взаємодія, рецепція, theory of execution, інкорпорація (адопція), parallelization, admission, відсилання, обов'язковість ex proprio vigore, incorporation (adoption) obligation ex proprio vigore

Σύνδεσμος πρόσβασης: http://esnuir.eenu.edu.ua/handle/123456789/10824

Тренування нейронної мережі для прогнозування попиту на пасажирські перевезення таксі за допомогою графічних процесорів ; Training neural network for taxi passenger demand forecasting using graphics processing units

Συγγραφείς: Згоба, М. І., Грицюк, Юрій Іванович, Zghoba, M. I., Hrytsiuk, Yu. I.

Συνεισφορές: Національний університет “Львівська політехніка”, Lviv Polytechnic National University

Θεματικοί όροι: машинне навчання, прогнозування попиту, тренування нейронної мережі, пришвидшення процедури навчання, паралелізація процедури тренування, machine learning, demand forecasting, neural network training, training speedup, training parallelization

Θέμα γεωγραφικό: Львів, Lviv

Περιγραφή αρχείου: 29-36; application/pdf; image/png

Relation: Український журнал інформаційних технологій, 1 (2), 2020; Ukrainian Journal of Information Technology, 1 (2), 2020; https://doi.org/10.1109/TITS.2015.2461000; http://doi.org/10.5038/2375-0901.8.5.4; https://heartbeat.fritz.ai/10-reasons-why-pytorch-is-the-deep-learning-framework-of-future-6788bd6b5cc2; https://doi.org/10.1007/978-1-4471-5571-3_4; https://doi.org/10.1109/TCST.2017.2766042; https://doi.org/10.1109/TPAMI.2015.2437384; https://towardsdatascience.com/what-is-a-gpu-and-do-you-need-one-in-deep-learning-718b9597aa0d; http://robots.stanford.edu/cs221/2016/restricted/projects/vhchoksi/final.pdf; https://doi.org/10.1109/TITS.2017.2755684; https://doi.org/10.1186/s40537-019-0179-2; https://doi.org/10.1109/MLHPC49564.2019.00006; https://doi.org/10.1109/ITSC.2012.6338680; https://doi.org/10.1007/978-3-642-29934-6_57; https://doi.org/10.1109/TKDE.2012.153; https://doi.org/10.1109/MM.2019.2935967; https://pytorch.org/docs/stable/index.html; https://doi.org/10.1109/TPAMI.2016.2577031; https://doi.org/10.1.1.740.6937; https://www.youtube.com/watch?v=RE2j1B7EdQM; [1] Biao Leng, Heng Du, Jianyuan Wang, Li Li, & Zhang Xiong. (2016). Analysis of Taxi Drivers Behaviors Within a Battle Between Two Taxi Apps. IEEE Transactions on Intelligent Transportation Systems, 17(1), 296–300. https://doi.org/10.1109/TITS.2015.2461000; [2] Bruce Schaller. (2005). A regression model of the number of taxicabs in US cities. Journal of Public Transportation, 8(5), 4–11. http://doi.org/10.5038/2375-0901.8.5.4; [3] Dhiraj, K. (2019). 10 reasons why PyTorch is the deep learning framework of the future. Retrieved from: https://heartbeat.fritz.ai/10-reasons-why-pytorch-is-the-deep-learning-framework-of-future-6788bd6b5cc2; [4] Dipanjan Sarkar, Raghav Bali, & Tushar Sharma. (2018). Practical Machine Learning with Python. Springer Science+ Business Media. New York.; [5] Du, K.-L., & Swamy, M.N.s. (2014). Multilayer Perceptrons: Architecture and Error Backpropagation. Neural Networks and Statistical Learning, pp. 83–126. https://doi.org/10.1007/978-1-4471-5571-3_4; [6] Fei Miao, Shuo Han, Shan Lin, Qian Wang, John A. Stankovic, Abdeltawab Hendawi, Desheng Zhang, Tain He, & George J. Pappas. (2019). Data-Driven Robust Taxi Dispatch Under Demand Uncertainties. IEEE Transactions on Control Systems Technology, 17(1), 175–191. https://doi.org/10.1109/TCST.2017.2766042; [7] Firmino, P., de Mattos, Neto P., & Ferreira, T. (2014). Correcting and combining time series forecasters. Neural Networks,50, 1–11.; [8] Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2016). Region- Based Convolutional Networks for Accurate Object Detection and Segmentation. In: IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(1), 142–158. https://doi.org/10.1109/TPAMI.2015.2437384; [9] Grossberg, S. Z. (2010). Neural Networks and Natural Intelligence. Cambridge, MA: MIT Press, 651 p.; [10] Haykin, S. (2008). Neural Networks and Learning Machines. New Jersey: Prentice Hall, 936 p.; [11] Jason Dsouza. (2020). What is a GPU and do you need one in Deep Learning? Retrieved from: https://towardsdatascience.com/what-is-a-gpu-and-do-you-need-one-in-deep-learning-718b9597aa0d; [12] John Grinberg, Arzav Jain, & Arzav Vivek (2014). Predicting Taxi Pickups in New York City. Retrieved from: http://robots.stanford.edu/cs221/2016/restricted/projects/vhchoksi/final.pdf.; [13] Jun Xu, Rouhollah Rahmatizadeh, Ladislau Bölöni, & Damla Turgut. (2018). Real-Time Prediction of Taxi Demand Using Recurrent Neural Networks. IEEE Transaction on Intelligent transport system, 19(8), 2572–2581. https://doi.org/10.1109/TITS.2017.2755684; [14] Kennedy, R. K., Khoshgoftaar, T. M., Villanustre, F., & Humphrey, T. (2019). A parallel and distributed stochastic gradient descent implementation using commodity clusters. Journal of Big Data, 6(1), 16. https://doi.org/10.1186/s40537-019-0179-2; [15] Kiani, K. (2005). Detecting business cycle asymmetries using artificial neural networks and time series models. Computational Economics, 26(1), 65–89.; [16] Kim, Yoon. (2014). Convolutional neural networks for sentence classification. IEMNLP, 1746–1751.; [17] Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv – preprint arXiv: 1412.6980.; [18] Krizhevsky Alex, Sutskever Ilya, Hinton Geoffrey E. (2012). Imagenet classification with deep convolutional neural networks. NIPS, 1106–1114.; [19] Krizhevsky, A. (2014). One weird trick for parallelizing convolutional neural networks. CoRR, abs/1404.5997.; [20] Lam, M. (2004). Neural network techniques for financial performance prediction: integrating fundamental and technical analysis. Decision Support Systems, 37(4), 567–581.; [21] Li, J., Nicolae, B., Wozniak, J., & Bosilca, G. (2019). Understanding scalability and fine-grain parallelism of synchronous data parallel training. IEEE/ACM Workshop – Machine Learning in High Performance Computing Environments (MLHPC) IEEE, pp. 1–8. https://doi.org/10.1109/MLHPC49564.2019.00006; [22] Lopatko, O., & Mykytyn, I. (2016). Neural networks as the means of forecasting the temperature value of a transient process. Measuring Equipment and Metrology, 77, 65–69.; [23] Luis Moreira-Matias, et al. (2012). A predictive model for the passenger demand on a taxi network. International IEEE Conference on. IEEE, 15, 1014–1019. https://doi.org/10.1109/ITSC.2012.6338680; [24] Naoto Mukai, & Naoto Yoden. (2012). Taxi Demand Forecasting Based on Taxi Probe Data by Neural Network. Intelligent Interactive Multimedia: Systems and Services. Ed. by Toyohide Watanabe et al. Smart Innovation, Systems and Technologies 14. Springer Berlin Heidelberg, pp. 589–597. https://doi.org/10.1007/978-3-642-29934-6_57; [25] Nicholas Jing Yuan, Yu Zheng, Liuhang Zhang, & Xing Xie. (2013). T-Finder: A Recommender System for Finding Passengers and Vacant Taxis. IEEE Transactions on Knowledge and Data Engineering, 25(10), 2390–2403. https://doi.org/10.1109/TKDE.2012.153; [26] Önder, E., Fɪrat, B., & Hepsen, A. (2013). Forecasting Macroeconomic Variables using Artificial Neural Network and Traditional Smoothing Techniques. Journal of Applied Finance & Banking, 3(4), 73–104.; [27] Pal, S., Ebrahimi, E., Zulfiqar, A., Fu, Y., Zhang, V., Migacz, S., Nellans, D., & Gupta, P. (2019). Optimizing multi-gpu parallelization strategies for deep learning training. EEE Micro, 39(5), 91–101. https://doi.org/10.1109/MM.2019.2935967; [28] PyTorch. (2020). PyTorch documentation. Retrieved from: https://pytorch.org/docs/stable/index.html; [29] Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster RCNN: Towards Real-Time Object Detection with Region Proposal Networks. In: IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137–1149. https://doi.org/10.1109/TPAMI.2016.2577031; [30] Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large–Scale Image Recognition. CoRR, abs/1409.1556. https://doi.org/10.1.1.740.6937; [31] YouTube. (2020). Consumer assessment of taxi services in large cities. Retrieved from: https://www.youtube.com/watch?v=RE2j1B7EdQM. [In Ukrainian].; [32] Zhang Xiang, Zhao Junbo, LeCun Yann. (2015). Characterlevel convolutional networks for text classification. In: Advances in Neural Information Processing Systems, pp. 649–657.; Згоба М. І. Тренування нейронної мережі для прогнозування попиту на пасажирські перевезення таксі за допомогою графічних процесорів / М. І. Згоба, Ю. І. Грицюк // Український журнал інформаційних технологій. — Львів : Видавництво Львівської політехніки, 2020. — Том 2. — № 1. — С. 29–36.; https://ena.lpnu.ua/handle/ntb/56899; Zghoba M. I. Training neural network for taxi passenger demand forecasting using graphics processing units / M. I. Zghoba, Yu. I. Hrytsiuk // Ukrainian Journal of Information Technology. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2020. — Vol 2. — No 1. — P. 29–36.

Διαθεσιμότητα: https://ena.lpnu.ua/handle/ntb/56899

Использование параллелизации вычислений для решения проблем железнодорожного транспорта

Πηγή: Наука и прогресс транспорта. Вестник Днепропетровского национального университета железнодорожного транспорта.

Θεματικοί όροι: ПАРАЛЕЛіЗАЦіЯ ОБЧИСЛЕНЬ, МЕТОД КіНЦЕВИХ ЕЛЕМЕНТіВ, ФРИКЦіЙНИЙ ГАСИТЕЛЬ КОЛИВАНЬ

Περιγραφή αρχείου: text/html

Σύνδεσμος πρόσβασης: http://cyberleninka.ru/article/n/ispolzovanie-parallelizatsii-vychisleniy-dlya-resheniya-problem-zheleznodorozhnogo-transporta
http://cyberleninka.ru/article_covers/15731998.png

Моделювання та прогнозування великих наборів даних засобами машинного навчання

Θεματικοί όροι: machine learning, parallelization, параллелизация, регрессия, regression, паралелізація, машине навчання, машинное обучение, регресія

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://essuir.sumdu.edu.ua/handle/123456789/81370

Система автоматизації процесів тестування програмного забезпечення з використанням паралелізації тестів

Συνεισφορές: Чемерис, Олександр Анатолійович, ELAKPI

Θεματικοί όροι: тестування, результати тесту, помилки, automated testing system, software quality, паралелізація тестів, testator, automated test run tests, test results, testing, test parallelization, errors, запуск тестів автоматизоване тестування, система автоматизованого тестування, тестувальник, якість програмного забезпечення

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://ela.kpi.ua/handle/123456789/25514

Моделювання та прогнозування великих наборів даних засобами машинного навчання ; Modeling and forecasting of big data sets by machine learning methods

Συγγραφείς: Кіншаков, Е.В.

Θεματικοί όροι: машине навчання, машинное обучение, machine learning, регресія, регрессия, regression, паралелізація, параллелизация, parallelization

Περιγραφή αρχείου: application/pdf

Relation: https://essuir.sumdu.edu.ua/handle/123456789/81370

Διαθεσιμότητα: https://essuir.sumdu.edu.ua/handle/123456789/81370

Система автоматизації процесів тестування програмного забезпечення з використанням паралелізації тестів

Συγγραφείς: Бєй, Олександр Вікторович

Συνεισφορές: Чемерис, Олександр Анатолійович

Θεματικοί όροι: система автоматизованого тестування, якість програмного забезпечення, тестувальник, паралелізація тестів, запуск тестів автоматизоване тестування, результати тесту, тестування, помилки, automated testing system, software quality, testator, test parallelization, automated test run tests, test results, testing, errors, 004.9

Περιγραφή αρχείου: 120 с.; application/pdf

Relation: Бєй, О. В. Система автоматизації процесів тестування програмного забезпечення з використанням паралелізації тестів : магістерська дис. : 126 Інформаційні системи та технології / Бєй Олександр Вікторович. – Київ, 2018. – 120 с.; https://ela.kpi.ua/handle/123456789/25514

Διαθεσιμότητα: https://ela.kpi.ua/handle/123456789/25514

Оптимальне використання matlab-методу gpuarray для добутку квадратних матриць ; Matlab gpuarray method optimal use for square matrix product

Συγγραφείς: Романюк, В.В., Romanuke, V.V.

Θεματικοί όροι: добуток матриць, паралелізація, MATLAB, метод gpuArray, продуктивність часу рахунку, matrix product, parallelization, gpuArray method, running time efficiency, 519.687.1:004

Περιγραφή αρχείου: application/pdf

Relation: Оптимальне використання matlab-методу gpuarray для добутку квадратних матриць [Текст] / В.В. Романюк // Вісник Хмельницького національного університету. Технічні науки. – 2015. – №3. – С. 243-250.; http://elar.khmnu.edu.ua/jspui/handle/123456789/4241

Διαθεσιμότητα: http://elar.khmnu.edu.ua/jspui/handle/123456789/4241

Limitation of effectiveness in using matlab gpuarray method for calculating products of transpose-symmetrically sized matrices ; Обмеження ефективності використання matlab-методу gpuarray для обчислення добутку матриць транспоновано-симетричного розміру

Συγγραφείς: Romanuke, V.V., Романюк, В.В.

Θεματικοί όροι: matrix product, parallelization, effectiveness, MATLAB, gpuArray method, running time efficiency, добуток матриць, паралелізація, ефективність, метод gpuArray, продуктивність часу рахунку, 519.687.1::004

Περιγραφή αρχείου: application/pdf

Relation: Romanuke, V.V. Limitation of effectiveness in using MATLAB gpuArray method for calculating products of transpose-symmetrically sized matrices [Текст] / V. V. Romanuke // Вісник Хмельницького національного університету. Технічні науки. – 2015. – №5. – C. 243-248.; http://elar.khmnu.edu.ua/jspui/handle/123456789/4611

Διαθεσιμότητα: http://elar.khmnu.edu.ua/jspui/handle/123456789/4611

Спосіб визначення властивостей текстильних матеріалів

Συγγραφείς: Потапов, А. О., Слізков, А. М., Щербань, В. Ю., Краснитський, М. С., Заржицький, Є. В., Шулькевич, Сергій Анатолійович

Θεματικοί όροι: спосіб, властивості матеріалів, структура матеріалу, резонансна частота, розпрямленість волокон, паралелізація волокон

Relation: Пат. 34897 Україна, МПК G01N 33/36 (2006). Спосіб визначення властивостей текстильних матеріалів / А. О. Потапов, А. М. Слізков, В. Ю. Щербань, М. С. Краснитський, Є. В. Заржицький, С. А. Шулькевич; власник Київський національний університет технологій та дизайну. – № u200804141; заявл. 02.04.2008; опублік. 26.08.2008, Бюл. № 16. – 4 c.; https://er.knutd.edu.ua/handle/123456789/17084

Διαθεσιμότητα: https://er.knutd.edu.ua/handle/123456789/17084