Розробка алгоритму на основі машинного навчання для прогнозування успішності тренувального процесу людей

Яремчук, Денис Сергійович (2025) Розробка алгоритму на основі машинного навчання для прогнозування успішності тренувального процесу людей [Кваліфікаційні роботи здобувачів] Другий (магістерський). Шифр академічної групи: ІАСм-1-24-1.4д. Дата захисту: 19.12.2025, Київський столичний університет імені Бориса Грінченка.

Текст D_Yaremchuk_FITM_2025.pdf Download (990kB)

Анотація

Актуальність: Велика частина населення регулярно займається спортом з використанням пристроїв, що збирають дані про їх тіло. Збалансоване і ефективне тренування є фундаментом безпеки здоров’я. З використанням сучасних методів обробки даних та існуючих алгоритмів машинного навчання, можливо створити модель оцінки навантаження людини під час тренування, що буде сприяти ефективному виконанню фізичних вправ. Мета: розробка алгоритму машинного навчання, який на основі історичних даних прогнозуватиме успішність тренувального процесу людей, що дозволить персоналізувати спортивні програми та підвищити ефективність тренувань. Об’єкт дослідження: прогнозування даних за допомогою машинного навчання. Предмет дослідження: методи машинного навчання для прогнозування ефективності тренувань на основі історичних даних. Завдання роботи: здійснити пошук, відбір та агрегацію даних з відкритих джерел; вибрати та обґрунтувати алгоритми машинного навчання для вирішення завдання прогнозування успішності тренувань; провести навчання обраних моделей на підготовлених даних; виконати порівняльний аналіз результативності різних моделей та обрати найефективнішу для даної задачі.Методи дослідження: Аналіз наукової літератури та існуючих рішень для визначення стану проблеми, формування гіпотез та обґрунтування вибору архітектур нейронних мереж; системний аналіз для проектування модульної архітектури конвеєра обробки даних. Наукова новизна дослідження: Вперше формалізовано поняття "успішності" тренувального процесу як задачі бінарної класифікації. Удосконалено методологію валідації моделей машинного навчання на лонгітюдних біомедичних даних шляхом впровадження розділення вибірки за ідентифікаторами суб’єктів, що забезпечує високу вірогідність результатів та стійкість моделі до нових користувачів. Практичне значення дослідження: створений програмний продукт дозволяє автоматизувати повний цикл обробки даних: від очищення "сирих" сигналів з ношених пристроїв до генерації персоналізованих прогнозів, що підвищує ефективність моніторингу тренувального процесу. Розширені можливості прогнозування ризиків перетренованості та травматизму завдяки впровадженню об’єктивних метрик навантаження (TRIMP, ATL, CTL) у модель машинного навчання, що сприяє безпеці та результативності тренувань.

Тип елементу :	Кваліфікаційні роботи здобувачів (Другий (магістерський))
Ключові слова:	машинне навчання; тренувальний процес; алгоритм; нейронні мережі; випадковий ліс; варіабельність серцевого ритму; класифікація; обробка даних; адаптація
Шифр освітньої програми:	122.00.02
Шифр академічної групи:	ІАСм-1-24-1.4д
ПІБ наукового керівника:	Яскевич Владислав Олександрович
Дата захисту:	19.12.2025
Місце захисту:	Київський столичний університет імені Бориса Грінченка
Типологія:	Кваліфікаційні роботи здобувачів > Інформаційно-аналітичні ситеми
Підрозділи:	Факультет інформаційних технологій та математики > Кафедра комп'ютерних наук
Користувач, що депонує:	Ізабелла Андріївна Соболенко
Дата внесення:	24 Лют 2026 20:58
Останні зміни:	24 Лют 2026 20:58
URI:	https://elibrary.kubg.edu.ua/id/eprint/56382

Actions (login required)

Перегляд елементу