- Машинное обучение на узорных структурах
- Методы и алгоритмы машинного обучения для предобработки и классификации слабоструктурированных текстовых данных в научных рекомендательных системах
- Структура магистерской диссертации
- Как оформить магистерскую диссертацию
- Защита магистерской диссертации
- Как написать магистерскую диссертацию (чек-лист)
- Примеры магистерских диссертаций
- Видео, как написать магистерскую диссертацию
- Вывод
Машинное обучение на узорных структурах
1. Borgelt C., Berthold M. R. Mining Molecular Fragments: Finding Relevant Substructures of Molecules // Proc. 2nd IEEE International Conference on Data Mining (ICDM’02)/Ed. by N. Zhong, P. Yu. — Piscataway, NJ: IEEE Press, 2002. — P. 51-58.i
2. Inokuchi A., Washio Т., Motoda H. Complete Mining of Frequent Patterns from Graphs:
3. Mining Graph Data // Machine Learning. — 2003. — Vol. 50, No. 3. — P. 321-354.
4. Washio Т., Motoda H. State of the art of graph-based data mining// j-SIGKDD-EN. — 2003. — Vol. 5, No. 1. — P. 59-68.
5. Yan X., Han J. gSpan: Graph-Based Substructure Pattern Mining // Proc. IEEE International Conference on Data Mining(ICDM’02). — Los Alamitos, CA: IEEE Computer Society, 2002. — P. 721-724.
6. Yan X., Han J. CloseGraph: mining closed frequent graph patterns // Proc. of the 9th
7. G ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
8. SIGKDD’03)/ Ed. by L. Getoor, T. Senator, P. Domingos, C. Faloutsos. — New York, NY: ACM Press, 2003. — P. 286-295.
9. Molecular Similarity in Drug Design / Ed. by P. M. Dean. — London: Blackie Academic, 1995.
10. Блинова В. Г., Добрынин Д. А. Языки представления химических структур в интеллектуальных системах для конструирования лекарств // НТИ, Сер. 2. — 2000. — № 10.— С. 14-21.
11. Фабрикантова Е. Ф. Применение ДСМ-рассуждений для интеллектуального анализа данных и автоматического порождения гипотез о путях биотрансформации // НТИ, Сер. 2. — 2002. — No. 2. — Р. 8-44.
12. Биркгоф Г. Теория решеток. — М.: Наука, 1989.
13. Ganter В., Wille R. Formal Concept Analysis: Mathematical Foundations. — Berlin; Heidelberg: Springer-Verlag, 1999.
14. Davey B. A., Priestley H. A. Introduction to Lattices and Order. — Cambridge: Cambridge University Press, 2002.
15. Wille R. Restructuring Lattice Theory: an Approach Based on Hierarchies of Concepts // Ordered Sets / Ed. by I. Rival. — Dordrecht;Boston: Reidel, 1982. — P. 445-470.
16. Кузнецов С. О. ДСМ-метод как система автоматического обучения // Итоги науки и техники. Сер. Информатика. — 1991. — Т. 15. — С. 17—54.
17. LiquiereM., Sallantin J. Structural Machine Learning with Galois Lattice and Graphs// Proc. 15th International Conference on Machine Learning (ICML’98)/ Ed. by J. Shav-lik. — San Fransisco, С A: Morgan Kaufmann, 1998. — P. 305—313.
18. Гэри M., Джонсон Д. Вычислительные машины и труднорешаемые задачи.— М.: Мир, 1982.
19. Mitchell Т. Machine Learning. — The McGraw-Hill Companies, 1997.
20. Кузнецов С. О. Модели и методы автоматического обучения // Итоги науки и техники. Сер. Вычислительные науки. — 1991. — Т. 7. — С. 89—137.
21. Hutchinson A. Algorithmic Learning. — Oxford: Claredon Press, 1994.
22. King R. D., Srinivasan A., Dehaspe L. WARMR: A Data Mining tool for chemical data // J. Computer-Aided Molecular Design.— 2001.— Vol. 15, No. 2. — P. 173-181.
23. Kramer S. Structural Regression Trees // Proc. 13th National Conference on Artificial . Intelligence (AAAI’96). — Cambridge; Menlo Park: AAAI Press : MIT Press, 1996. —1. P. 812-819.
24. Финн В. К. Правдоподобные рассуждения в интеллектуальных системах типа ДСМ//Итоги науки и техники. Сер. Информатика.— 1991.— Т. 15.— С. 54—101.
25. Blinova V. G., Dobrynin D. A., Finn V. К., Kuznetsov S. О., Pankratova E. S. Toxicology analysis by means of the JSM-method//Bioinformatics.— 2003.— Vol. 19.— P. 1201-1207.
26. Pasquier N., Bastide Y., Taouil R., Lakhal L. Efficient Mining of Association Rules Using Closed Itemset Lattices //J. Inf. Systems. — 1999. — Vol. 24, No. 1. — P. 25-46.
27. Avidon V. V., Pomerantsev A. B. Structure-activity relationship oriented languages for chemical structure representation // J. Chem. Inf. Comput. Sci. — 1982. — Vol. 22, No. 4.— P. 207-214.
28. Kuznetsov S. O., Obiedkov S. A. Comparing performance of algorithms for generating concept lattices // J. of Experimental and Theoretical Artificial Intelligence. — 2002. — Vol. 14, No. 2-3. — P. 189-216.
29. Кузнецов С. О., Финн В. К. О модели обучения и классификации, основанной на операции сходства // Обозрение прикладной и промышленной математики. — 1996. — Т. 3, № 1.— С. 66-90.
30. Anshakov О. М., Finn V. К., Skvortsov D. P. On axiomatization of many-valued logics associated with the formalization of plausible reasonings // Stud. Log. — 1989. — Vol. 25, No. 4. — P. 23-47.
31. Mill J. S. A System of Logic, Ratiocinative and Inductive: Being a Connected View of the Principles of Evidence, and Methods of Scientific Integration. — London: J.W. Parker, 1843.
32. Michalski R., Stepp R. Machine Learning: An Artifical Intelligence Approach / Ed. by J. C. R.S.Michalski, T. Mitchell. — San Mateo, CA: Morgan Kaufmann, 1983.
33. Fisher D. Iterative optimization and simplification of hierarchical clusterings // J. Artificial Intelligence Research. — 1996. — Vol. 4. — P. 147-179.
34. Cohen W. W. Fast Effective Rule Induction // Proc. 12th International Conference on Machine Learning (ICML’95).— San Fransisco, CA: Morgan Kaufmann, 1995.— P. 115-123.
35. Furnkranz J., Widmer G. Incremental Reduced Error Pruning// Proc. 11th International Conference on Machine Learning (ICML’94).— San Fransisco, CA: Morgan Kaufmann, 1994.
36. Witten I. H., Frank E. Data Mining: Practical Machine Learning Tools with Java Implementations. — San Fransisco, CA: Morgan Kaufmann, 2000.
37. Quinlan J. R. Induction on Decision Trees //Machine Learning.— 1986.— Vol. 1, No. 1.— P. 81-106.
38. Quinlan J. R. C4.5: Programs for Machine Learning. — San Fransisco, CA: Morgan Kaufmann, 1993.
39. Quilllian M. R. Semantic Memory // Semantic Information Processing/ Ed. by M. Min-sky. — Cambridge, MA: MIT Press, 1968. — P. 227-270.
40. Sowa J. F. Conceptual Structures — Information Processing in Mind and Machine. — Reading, MA: Addison-Wesley, 1984.
41. Luks E. M. Isomorphism of graphs of bounded valence can be tested in polynomial time//J. Сотр. Syst. Sci. — 1982. — Vol. 25. — P. 42-65.
42. Hopcroft J. E., Wong J. K. Linear time algorithm for isomorphism of planar graphs (preliminary report)// Proc. of the 6th annual ACM symposium on Theory of computing. — New York, NY: ACM Press, 1974. — P. 172-184.
43. Bron C., Kerbosch J. Finding all cliques of an undirected graph // Communications of the ACM. — 1974.
44. Raymond J. W. Heuristics for similarity searching of chemical graphs using a maximum common edge subgraph algorithm // J. Chem. Inf. Comput. Sci. — 2002. — Vol. 42, No. 2.— P. 305-316.
45. McKay B. D. Practical Graph Isomorphism // Congressus Numerantium.— 1981.— Vol. 30. — P. 45-87.
46. Ullmann J. R. An algorithm for subgraph isomorphism // J. Association for Computing Machinery. — 1976. — Vol. 23, No. 1. — P. 31-42.
47. Kuramochi M., Karypis G. An efficient algorithm for discovering frequent subgraphs: Tech. Rep. 02-026. — Minneapolis, MN: University of Minnesota, 2002.
48. Inokuchi A., Washio Т., Nishimura K., Motoda H. A fast algorithm for mining frequent connected subgraphs: Research Report RT0448. — Tokyo: IBM Research, Tokyo Research Labaratoiy and Osaka University, 2002.
49. Кузнецов С. О., Самохин М. В., Харчевникова Н. В. Прогнозирование контрпродуктивных свойств химических соединений на основе узорных структур: сравнительный анализ подходов. Часть 1 // НТИ, Сер. 2. — 2006. — № 1. — С. 1-8.
50. Cook D. J., Holder L. В. Graph-Based Data Mining // IEEE Intelligent Systems. — 2000. — Vol. 15, No. 2. — P. 32-41.
51. Cameron-Jones R. M., Quinlan J. R. Efficient top-down induction of logic programs // SIGART Bulletin. — 1994. — Vol. 5, No. 1. — P. 33-42.
52. Muggleton S. Inverse Entailment and Progol // New Generation Computing.— 1995. — Vol. 13. — P. 245-286.
53. Provost E, Fawcett T. Robust classification for imprecise environments // Machine Learning. — 2001. — Vol. 42. — P. 203-231.
54. Braun J., Gugisch R., Kerber A., Laue R., Meringer M., Rucker C. MOLGEN-CID -A Canonizer for Molecules and Graphs Accessible through the Internet // J. Chem. Inf. Comput. Sci. — 2004. — Vol. 44, No. 2. — P. 542-548.
55. Nagle J. F. On ordering and identifying undirected linear graphs // J. Mathematical Physics. — 1966. — Vol. 7. — P. 1588-1592.
56. Арлазаров В. JI., Зуев И. В., Усков А. В., Фараджев И. А. Алгоритм приведения конечного неориентированного графа к каноническому виду // Журнал Вычислительной Математики и Математической Физики. — 1974. — Т. 14, № 4. — С. 734—747.
57. Randic М. On the recognition of identical graphs representing molecular topology // J. Chem. Phys. — 1974. — Vol. 1974. — P. 3920-3928.
58. Randic M. On canonical numbering of atoms in a molecule and graph isomorphism // J. Chem. Inf. Сотр. Sci. — 1977. — Vol. 17, No. 3. — P. 171-180.
59. Randic M., Brissey G. M., Wilkins C. L. Computer perception of topological symmetry via canonical numbering of atoms // J. Chem. Inf. Comput. Sci.— 1981. — Vol. 21, No. 1. — P. 52-59.
60. Hendrickson J. В., Toczko A. G. Unique numbering and cataloging of molecular structures//J. Chem. Inf. Comput. Sci. — 1983. — Vol. 23, No. 4. — P. 171-177.
61. Kvasnicka V., Pospichal J. Canonical indexing and constructive enumeration of molecular graphs //J. Chem. Inf. Comput. Sci. — 1990. — Vol. 30, No. 2. — P. 99-105.
62. Kvasnicka V., Pospichal J. An improved method on constructive enumeration of graphs//J. of Mathematical Chemistry. — 1992. — Vol. 9, No. 2. — P. 181-196.
63. Lukovits I. Isomer generation: Syntactic rules for detection of isomorphism // J. Chem. Inf. Comput. Sci. — 1999. — Vol. 39, No. 3. — P. 563-568.
64. Lukovits I. Isomer generation: Symantic rules for detection of isomorphism // J. Chem. Inf. Comput. Sci. — 1999. — Vol. 40, No. 2. — P. 361-366.
65. Morgan H. L. The generation of a unique machine description for chemical structures-a technique developed at chemical abstracts service // J. Chem. Doc. — 1965. — Vol. 5, No. 2.—P. 107-113.
66. Weininger D. SMILES, a chemical language and information system. 1. introduction to methodology and encoding rules // J. Chem. Inf. Comput. Sci. — 1988. — Vol. 28, No. 1.— P. 31-36.
67. Weininger D., Weininger A., Weininger J. L. SMILES. 2. algorithm for generation of unique SMILES notation // J. Chem. Inf. Comput. Sci. — 1989. — Vol. 29, No. 2. — P. 97-101.
68. Paton K. An algorithm for finding a fundamental set of cycles of a graph // Communications of the ACM. — 1969. — Vol. 12. — P. 514-518.
69. Mateti P., Deo N. On algorithms for enumerating all circuits of a graph // SIAM J. on Computing. — 1975. — Vol. 5. — P. 90-101.
70. Read R. C., Taijan R. E. Bounds on backtrack algorithms for listing cycles, paths and spanning trees// Networks. — 1975. — Vol. 5. — P. 90-101.
71. Syslo A. A. An efficient cycle vector space algorithm for listing all cycles of planar graph// SIAM J. on Computing. — 1981. — Vol. 10. — P. 797-808.
72. Deo N., Prabhu G. M., KrishnamoorthyM. S. Algorithms for generating fundamental cycles in a graph // ACM Transanctions on Mathematical Software. — 1982. — Vol. 8. — P. 26-42.
73. Horton J. D. A polynomial-time algorithm to find the shortest cycle basis of a graph // SIAM J. on Computing. — 1987. — Vol. 16, No. 2. — P. 358-366.
74. Dijkstra E. W. A note on two problems in connection with graphs // Numerische Math-ematik.— 1959.— Vol. 1. — P. 269-271.
75. Tierman J. An efficient search algorithm to find the elementary circuits of a graph // Communications of the ACM. — 1970. — Vol. 13. — P. 722-726.
76. Vismara P. Union of all the minimum cycle bases of a graph // Electronical J. of Combinatorics.— 1997.— Vol. 4, No. 1.— P. 73-87. Режим доступа: http://www.combinatorics.org.
77. Plotkin M. Mathematical basis of ring-finding algorithms in CIDS // J. Chem. Doc. — 1971.—Vol. 11.—P. 60-63.
78. Степанец Г. Ф. Базисные системы вектор-циклов с экстремальными свойствами в графах // Успехи математических наук АН СССР.— 1964.— Т. 19, № 2.— С. 171-175.
79. Зыков А. А. Теория конечных графов. I. — Новосибирск: Наука, 1969.
80. Filimonov D. A., Poroikov V. V. PASS: Computerized prediction of biological activity spectra for chemical substances // Bioactive Compound Design: Posibilities for Industrial Use. — Oxford: BIOS Scientific Publishers, 1996. — P. 47-56.
81. Filimonov D., Poroikov V., Borodina Y., Gloriozova T. Chemical similarity assessment through multilevel neighborhoods of atoms: Definition and comparison with the other descriptors //J. Chem. Inf. Comput. Sci. — 1999. — Vol. 39, No. 4. — P. 666-670.
82. Poroikov V. V., Filimonov D. A. PASS: Prediction of Biological Activity Spectra for Substances // Predictive Toxicology / Ed. by C. Helma. — N.Y.: Taylor & Frensis, 2005. — P. 459-478.
83. Нечепуренко M. И., Попков В. К., Майнагашев С. М., Кауль С. Б., Проскуряков В. А., Кохов В. А., Грызунов А. Б. Алгоритмы и программы решения задач на графах и сетях.— Новосибирск: Наука, 1990.
84. Лейбов А. Е. Некоторые способы реализации операции сходства для химически ориентированных экспертных систем типа ДСМ // НТИ, Сер. 2. — 1996. — № 5—6. — С. 37-44.
85. Забежайло М. И., Ивашко В. Г., Кузнецов С. О., Михеенкова М. А., Хазанов-ский К. П., Аншаков О. М. Алгоритмические и программные средства ДСМ-метода автоматического порождения гипотез // НТИ, Сер. 2. — 1987. — № 10. — С. 1—13.
86. Матвеев А. А. Алгоритм построения метаболической сети // НТИ, Сер. 2. — 2002. — №6.—С. 35-45.
87. Добрынин Д. А. Алгоритмы поиска фрагментов в молекулярных графах для автоматического кодирования химических структур в интеллектуальных системах для конструирования лекарств // НТИ, Сер. 2. — 2002. — № 6. — С. 51-57.
88. Кузнецов С. О., Самохин М. В., Харчевникова Н. В. Прогнозирование контрпродуктивных свойств химических соединений на основе узорных структур: сравнительный анализ подходов. Часть 2 // НТИ, Сер. 2. — 2006. — № 2. — С. 1-10.
89. Блинова В. Г., Добрынин Д. А., Жолдакова 3. И., Харчевникова Н. В. Изучение соотношений структура-токсичность спиртов с использованием ДСМ-метода // НТИ, Сер. 2. — 2001. — № 10. — С. 13-18.
90. Guilian W., Naibin В. Structure-activity relationships for rat and mouse LD50 of miscellaneous alcohols// Chemosphere. — 1998. — Vol. 35, No. 7. — P. 1475-1483.
91. Franke R., Grushka A., Benigni R. Prediction of rodent carcinogenecity of aromatic amins: a quantitative structure activity relationships model // Carcinogenesis.— 2001. — Vol. 22. — P. 1561-1571.
92. Korzekwa К. R., Jones J. R, Gillette J. R. Theoretical studies on cytochrome p-450 mediated hydroxylation: a predictive model for hydrogen atom abstractions // J. American Chemical Society. — 1990. — Vol. 112. — P. 7042-7070.
93. Yin H., Anders M., Korsekwa K-, Higgins L. A., Thummel К- E. Predicting safer chemicals: Predicting the rates of metabolism of halogenated alkanes // Proc. National Academy of Sciences of the USA.— 1995. — Vol.92. — P. 11076-11080.
94. Woo Y.-T., Lai D., McLain J. L., et al. Use of mechanism-based structure-activity relationships analysis in carcinogenic ranking for drinking water desinfection by-products // Environ. Health Perspect. — 2002. — No. 1. — P. 75-87.
95. The Carcinogenic Potency Database (CPDB), University of California, Berkley, USA. Режим доступа: http://potency.berkeley.edu/cpdb.html.
96. ГН 2.1.5.1315-03. Предельно допустимые концентрации (ПДК) химических веществ в воде водных объектов хозяйственно-питьевого и культурно-бытового водопользования. — 2003.
97. Канцерогенные вещества. Справочник. Материалы международного агентства по изучению рака / Под ред. А. Ф. Карамашевой. — Медицина, 1987.
98. Dipple A. Polynuclear Aromatic Carcinogens // Chemical Carcinogens / Ed. by С. E. Searle.— ACS Monograph No. 172. Washington, DC: Amer. Chem. Soc., 1976.— P. 245-314.
99. Yan L.-S. Study of carcinogenic mechanism of polycyclic aromatic hydrocarbons-extended bay region theory and its quantitative model // Carcinogenesis. — 1985. — No. 1. —
100. Badger G. M. The Chemical Basis of Carcinogenic Activity. — 1962.
101. Jerina D. M., Lehr R. E. Microsomes and Drug Oxidation / Ed. by V. Ullrich. — Oxford: Pergamon Press, 1977. — P. 709-720.
102. Lowe J. P., Silverman B. D. MO theory of ease of formation of carbocations derived from nonalternant polycyclic aromatic hydrocarbons // J. American Chemical Society.— 1984. — Vol. 106, No. 20. — P. 5955-5958.
103. Дьячков П. H. Квантовохимические расчеты в изучении механизма действия и токсичности чужеродных веществ // Итоги науки и техники. Сер. Токсикология. — 1990. — Т. 16.— С. 280.
104. Flesher J. W., Horn J., Lehner A. F. Molecular modeling of carcinogenic potential in polycyclic hydrocarbons // J. Molecular Structure (Theochem). — 1996. — Vol. 362, No. 1. — P. 29-49.
105. N-гликозиды производных индоло2,3-а.карбазола / А. А. Бахмедова, Л. Д. Гараева, О. В. Горюнова, Т. Д. Миникер, И. Л. Плихтяк, Л. В. Эктова, Т. П. Иванова и др. // Биоорганическая химия. — 1997. — Т. 23, № 8. — С. 667-674.
106. Мельник С. Я. Экспериментальная онкология на рубеже веков // Синтез и изучение гликозидов, производных бисиндола и родственных индоло2,3-а.карбазолов / Под ред. М. И. Давыдова, А. Ю. Барышникова. — М., 2003. — С. 281-293.
107. Апрышко Г. Н. Информационная система по противоопухолевым агентам // Российский биотерапевтический журнал. — 2002. — № 2. — С. 7—10.
Методы и алгоритмы машинного обучения для предобработки и классификации слабоструктурированных текстовых данных в научных рекомендательных системах
Список использованных источников
1. David Reinsel, John Gantz, John Rydning. Data Age 2025: The Evolution of Data to Life-Critical. [Электронный ресурс]. — Режим доступа: URL: https://www.seagate.com/www-content/our-story/trends/files/Seagate-WP-DataAge2025-March-2022.pdf.
2. de Gemmis M., Lops P., Musto C., Narducci F., Semeraro G. Semantics-Aware Content-Based Recommender Systems. In: Ricci F., Rokach L., Shapira B. (eds) Recommender Systems Handbook. Springer, Boston, MA. 2022. pp. 119-159.
3. Nicolenko С. Recommender Systems. [Электронный ресурс]. — Режим доступа: URL: http://www.compsciclub.ru/csclub/sites/default/files/slides/20221202_machine_learning_nikolenko_le cture07.pdf (25.11.2022).
4. Воронцов К.В. Лекции по алгоритмическим композициям // Электронные лекции, 7 октября 2022 г. [Электронный ресурс]: http://www.machmeleaming.m/wiki/images/0/0d/Voron-ML-Compositions.pdf (дата обращения 17.10.2022).
5. Янина А.О., Воронцов К.В. Мультимодальные тематические модели для разведочного поиска в коллективном блоге // Машинное обучение и анализ данных, 2022. Т. 2, №2. С. 173186.
6. Дьяконов А.Г. Прогноз поведения клиентов супермаркетов с помощью весовых схем оценок вероятностей и плотностей // Бизнес-информатика, 2022. Т. 1, № 27. С. 68-77.
7. Grigorios Tsoumakas, Apostolos Papadopoulos, Weining Qian, Stavros Vologiannidis, Alexander D’yakonov, Antti Puurula, Jesse Read, Jan Svec, Stanislav Semenov. WISE 2022 Challenge: Multi-label Classification of Print Media Articles to Topics // Lecture Notes in Computer Science. 2022, № 8787, pp. 541-548
8. Учет качества разбиения при использовании модифицированного алгоритма нечеткой кластеризации исследуемых данных и методика ее построения/ Пылькин А.Н., Майков К.А., Крошилин А.В., Белицкий А.М.// Вестник Рязанского государственного радиотехнического университета, 2022. № 58. С.57-63.
9. Support of decision-making in the conditions of uncertainty of different types/Doan Ha.D., Pylkin A.N., Kroshilin A.V., Kroshilina S.V., Tishkina V.V.// ITM Web of Conferences, 2022.
10. Принятие решений в условиях неопределенности/ Демидова Л.А., Кираковский В.В., Пылькин А.Н. — 2-е изд., переработанное. // М., 2022.
11. Tishkina V.V., Pylkin A.N., Kroshilin A.V., Kroshilina S.V. Development of the automated information system for monitoring of results of accounting object activities using semantic networks// ITM Web of Conferences, 2022. Т. 10.
12. Лупин С.А., Давыдова А.П. Особенности программной реализации имитационной модели для оценки алгоритмической устойчивости систем управления // Естественные и технические науки, 2022. № 11 (89). С. 399-404.
13. Лупин С.А., Ба Хла Т. Распределение нагрузки в многопоточных алгоритмах частотного анализа текстовой информации // Инновационные подходы к решению технико-экономических проблем, 2022. С. 208-211.
14. Давыдова А.П., Вагапов Ю.Ф., Лупин С.А. Имитационное моделирование при оценке живучести цифровых систем управления // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС), 2022. № 2. С. 7-10.
15. Amatriain X., Pujol J.M. Data Mining Methods for Recommender Systems // In: Ricci F., Rokach L., Shapira B. (eds) Recommender Systems Handbook, 2022. Рp. 227-262. DOI: 10.1007/9781-4899-7637-6 7.
16. Breiman L., Friedman J. H., Olshen R. A., Stone C. J. Classification and regression trees. Monterey, CA: Wadsworth & Brooks // Cole Advanced Books & Software, 1984.
17. Breiman, Leo. Random Forests //Machine Learning, 2001. 45 (1), pp. 5-32.
18. Blei D., Ng A., Jordan A. Latent dirichlet allocation. // J/ of Machine Learning Research, Vol. 3, 2003, pp. 993-1022.
19. Пальчунов Д. Е., Ульянова Е. А. Методы автоматического порождения поисковых эвристик // Вестник НГУ. Сер.: Информационные технологии, 2022. Т. 8. Вып. 3. С. 6-12.
20. Пальчунов Д.Е. Решение задачи поиска информации на основе онтологий // Бизнес-Информатика, 2008. № 1. C. 3-13.
21. Филиппов С.А., Захаров В.Н., Ступников С.А., Ковалев Д.Ю. Метод определения подобия информационных единиц по неявным пользовательским предпочтениям в рекомендательных системах поддержки жизнеобеспечения // Аналитика и управление данными в областях с интенсивным использованием данных. Сб. науч. тр. VIII международной конференции, 2022. С. 169-174.
22. Филиппов С.А., Захаров В.Н. Метод повышения пертинентности информации в рекомендательных системах поддержки жизнеобеспечения на основе неявных данных // Системы и средства информатики, 2022. Т. 26. № 4. С. 4-18.
23. Филиппов С.А., Захаров В.Н. Оценка эффективности метода повышения пертинент-ности информации в рекомендательных системах поддержки жизнеобеспечения на основе неявных данных // Современные информационные технологии и ИТ-образование, 2022. Т. 12. № 2. С. 186-193.
24. Захаров В.Н., Мунерман В.И. Модели и методы параллельной обработки структурированных больших данных // Современные информационные технологии и ИТ-образование, 2022. № 10. С. 534-547.
25. Филиппов С.А., Захаров В.Н., Ступников С.А., Ковалев Д.Ю. Кластеризация профилей пользователей в рекомендательных системах поддержки жизнеобеспечения на основе реальных неявных данных // Аналитика и управление данными в областях с интенсивным использованием данных. Сб. науч. тр. XIII международной конференции, 2022. С.163-168.
26. G. Adomavicius, A. Tuzhilin. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions // IEEE Transactions on Knowledge and Data Engineering, 2005. Vol. 17, Number. 6, pp. 734-749.
27. Burke R. Hybrid Recommender Systems: Survey and Experiments // User Modeling and User-Adapted Interaction, 2002. Vol. 12, Issue 4, pp. 331-370
28. Philippov S., Zakharov V., Stupnikov S., Kovalev D. Organization of Big Data in the Global E-commerce Platforms // CEUR Workshop Proceedings, Vol.1536 [Selected Papers of the XVII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2022)] Obninsk, Russia, October 13-16, 2022, pp. 119-124.
29. Alexander Felfernig, Michael Jeran, Gerald Ninaus, Florian Reinfrank, Stefan Reiterer, Martin Stettinger. Basic Approaches in Recommendation Systems // Recommendation Systems in Software Engineering, 2022. pp. 15-37.
30. Joseph A. Konstan, John Riedl. Recommender systems: from algorithms to user experience // User Modeling and User-Adapted Interaction. 2022. Vol. 22, Issue 1-2, pp. 101-123.
31. Tsvetkov V. Y., Lobanov A. A. Big Data as Information Barrier //European researcher. Series A. 2022. №. 7-1. С. 1237-1242.
32. Boyd D., Crawford K. Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon //Information, communication & society, 2022. Vol. 15. №. 5. С. 662-679.
33. Wu X. et al. Data mining with big data //IEEE transactions on knowledge and data engineering, 2022. Т. 26. №. 1. С. 97-107.
34. Lynch C. Big data: How do your data grow? //Nature, 2008. Т. 455. №. 7209. С. 28.
35. Клеменков П.А., Кузнецов С.Д. Большие данные: современные подходы к хранению и обработке // Труды Института системного программирования РАН, 2022. Т. 23. С. 143-158.
36. C. Ono, Y. Takishima, Y. Motomura, H. Asoh. Context-Aware Preference Model Based on a Study of Difference between Real and Supposed Situation Data // In: Houben GJ., McCalla G., Pianesi F., Zancanaro M. (eds) User Modeling, Adaptation, and Personalization, 2009. Lecture Notes in Computer Science, vol. 5535, pp. 102-113.
37. Akiko Aizawa. An information-theoretic perspective of tf-idf measures // Information Processing & Management, 2003. Vol. 39, Issue 1, pp. 45-65.
38. Xiaoyuan Su, Taghi M. Khoshgoftaar. A survey of collaborative filtering techniques // Advances in Artificial Intelligence, 2009. Vol. 2009, p. 19.
39. William P. Jones, George W. Furnas. Pictures of relevance: a geometric analysis of similarity measures // J. of the American Society for Information Science archive, 1987. Vol. 38, Issue 6, pp. 420-442.
40. Marius Kaminskas, Derek Bridge. Diversity, Serendipity, Novelty, and Coverage: A Survey and Empirical Analysis of Beyond-Accuracy Objectives in Recommender Systems // ACM Transactions on Interactive Intelligent Systems, 2022. Vol. 7, Issue 1, Article 2, p. 42.
41. Thomas Gottron, Felix Schwagereit. The Impact of the Filter Bubble — A Simulation Based Framework for Measuring Personalisation Macro Effects in Online Communities. CoRR, abs/1612.06551, 2022.
42. Guseva A. I., Kireev V. S., Bochkarev P. V., Kuznetsov I.A., Philippov S.A. Scientific and Educational Recommender Systems // 2022 Information Technologies in Education of the XXI Century (ITE-XXI), AIP Conf. Proc. 1797, 020002-1-020002-11; doi: 10.1063/1.4972422
43. Lupin S., Pachin A., Kostrova O., Fedyashin D. Using the applications’ reentering for improvement the grid computing efficiency // Proceedings of the 2022 IEEE North West Russia Section Young Researchers in Electrical and Electronic Engineering Conference, EIConRusNW 2022, 2022. С. 256-258.
44. Eckhardt А. Various aspects of user preference learning and recommender systems // Conference: Proceedings of the Dateso 2009, Annual International Workshop on DAtabases, TExts, Specifications and Objects, Spindleruv Mlyn, Czech Republic, April 15-17, 2009.
45. Автоматическая обработка текстов на естественном языке и компьютерная лингвистика / Большакова Е.И., Клышинский Э.С., Ландэ Д.В и др. Учебное пособие для студентов высших учебных заведений, обучающихся по направлению 231300 «Прикладная математика». М., 2022.
46. Жуликов С.Е., Жуликова О.В. Проблема пертинентности современных информационно-поисковых систем// Вестник ТГУ, 2022. Т. 18, Вып. 1. С. 224-226.
47. Иванова О.Г., Громов Ю.Ю., Дидрих В.Е., Поляков Д.В. Нечеткий подход к определению пертинентности результатов поиска и выбору оптимального запроса // Вестник Воронежского института ФСИН России, 2022. № 2. С. 49-54.
48. N. Landia, S.S. Anand, Personalised tag recommendation // Proceedings of the 2009 ACM Conference on Recommender Systems, 2009, pp. 83-36.
49. ГОСТ 7.73-96 Система стандартов по информации, библиотечному и издательскому делу. Поиск и распространение информации. Термины и определения. — М.: ИПК Изд-во стандартов, 1997.
50. Кузнецов И.А. Повышение пертинентности информации в научных рекомендательных системах с использованием ансамблей алгоритмов машинного обучения // Сб. трудов:
Международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» Алушта, Республика Крым, РФ, 14 — 20 сентября 2022 г. С.160-161.
51. Гусева А.И., Киреев В.С., Кузнецов И.А., Бочкарёв П.В. Исследование алгоритмов многомерной классификации научных данных// Фундаментальные исследования, 2022. № 11. Ч. 5. С. 868-874.
52. Кузнецов И. А., Коптелов М. В. Подходы и их реализация при анализе данных общественного мнения о развитии атомного промышленного комплекса // Научное обозрение, 2022. № 6. C. 112-114.
53. Аксенов А. Кузнецов И.А. Разработка алгоритма контент-анализа в социальных сетях [Электронный ресурс] // Материалы 19-й Международной телекоммуникационной конференции молодых ученых и студентов «Молодежь и наука» (Москва, 1 окт.-10 дек. 2022 г.). URL http://mn.mephi.ru/articles/1659 (дата обращения 21.12.2022).
54. Patra A., Singh D. A Survey Report on Text Classification with Different Term Weighing Methods and Comparison between Classification Algorithms // International Journal of Computer Applications. 2022. № 7 (75). Р. 14-18.
55. Satyanarayana N., Ramalingaswamy C., Ramadevi Y. Survey of classification techniques in data mining // IJISET — International Journal of Innovative Science, Engineering & Technology. 2022. № 9 (1). Р. 268-278.
56. Crisci C., Ghattas B., Perera G. A review of supervised machine learning algorithms and their applications to ecological data // Ecological Modelling, 2022. (240). Р. 113-122.
57. Wang Z., Crammer K., Vucetic S. Breaking the Curse of Kernelization: Budgeted Stochastic Gradient Descent for Large-Scale SVM Training // J. of Machine Learning Research, 2022. (13). Р. 3103-3131.
58. Altman N. S. An introduction to kernel and nearest-neighbor nonparametric regression // The American Statistician, 1992. 46 (3). Р. 175-185.
59. Kalhori S.R.N., Zeng X.-J. Evaluation and Comparison of Different Machine Learning Methods to Predict Outcome of Tuberculosis Treatment Course // J. of Intelligent Learning Systems and Applications, 2022. (5). Р. 184-193.
60. Pries K. H., Dunnigan R. Big Data Analytics: A practical guide for managers. // Auerbach Publications, 2022.
61. Нессонова М. Н. Метод рейтингового голосования комитета алгоритмов в задачах классификации с учителем // ЗМЖ, Zaporoz. med. z. 2022. № 1 (76). URL: http://cyberleninka. ru/article/n/metod-reytingovogo-golosovaniya-komiteta-algoritmov-v-zadachah-klassifikatsii-s-uchitelem (дата обращения: 28.04.2022).
62. Wingerath Wolfram, Felix Gessert, Steffen Friedrich, Norbert Ritter. Real-time stream processing for Big Data // Information Technology, 2022. 58(4), Р. 186-194.
63. Hongzhi Wang, Hong Gao, Shenjun Yin, Jie Zhu. The design of course architecture for big data. // In Proceedings of the ACM Turing 50th Celebration Conference — China (ACM TUR-C ’17). ACM, NY, USA, Article 13, 2022.
64. Danah Boyd, Kate Crawford. Critical questions for Big Data // Information, Communication & Society. 2022. Vol. 15, Issue 5. Р. 662-679.
65. Min Chen, Shiwen Mao, Yunhao Liu. Big Data: A Survey // Mobile Networks and Applications, 2022. Vol. 19. Issue 2. Р. 171-209.
66. Киреев В.С., Кузнецов И.А., Бочкарёв П.В., Гусева А.И., Филиппов С.А. Разработка модели пользователя научных сетей на основе концепции OPENSCIENCE/ // Фундаментальные исследования, 2022. № 12. Ч. 5. C. 907-913.
67. Бочкарёв П.В., Гусева А.И., Киреев В.С., Кузнецов И.А., Филиппов С.А. Модель научного направления на основе интеграции объектно-ориентированного, наукометрического и экспертного подходов // Фундаментальные исследования, 2022. № 12. Ч. 6. С. 1095-1102.
68. Едронова В.Н., Овчаров А.О. Организация научного исследования // Экономический анализ: теория и практика, 2022. №3 (306)
69. Вареников Д.А., Шлей М.Д., Муромцев Д.И. Построение научных профилей участников научно-образовательного процесса в информационной системе университета // Современные проблемы науки и образования, 2022. № 2-2. С. 178.
70. Кузнецов И.А. Метод автоматизированной классификации научных статей по типу результата в научных аналитических системах // Современные наукоемкие технологии, 2022. № 2. С. 59-63.
71. Lyse Gunn Inger, Gisle Andersen. Collocations and statistical analysis of n-grams: Multiword expressions in newspaper text // Andersen, Gisle (ed.) Exploring Newspaper Language. Amsterdam/New York: John Benjamins, 2022. Р. 79-109.
72. Кузнецов И.А. Автоматизация процесса формирования онтологии на основе классов пользователей в научных рекомендательных системах // Новые информационные технологии в научных исследованиях: материалы XXII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. Рязань, РГРТУ, 15-17 ноября 2022 г. С. 34-36.
73. Артамонова Е.В., Лештаев С.В. Преобразование естественно-языковых текстов в RDF-граф // Современные наукоемкие технологии, 2022. № 11-2. С. 214-218.
74. Кузнецов И.А. Предобработка данных, выбор и формирование признаков при анализе данных [Электронный ресурс] // Материалы 19-й Международной телекоммуникационной конференции молодых ученых и студентов «Молодежь и наука» (Москва, 1 окт.-10 дек. 2022 г.): материалы конференции. URL:http://mn.mephi.ru/artides/1538 (дата обращения 21.12.2022)
75. Shang J., Liu J., Jiang M., Ren X., Voss C. R., Han J. Automated Phrase Mining from Massive Text Corpora. // CoRR., 2022. Vol. abs/1702.04457.
76. Кузнецов И.А. Автоматизация процесса формирования онтологии на основе классов пользователей в научных рекомендательных системах// Новые информационные технологии в научных исследованиях: материалы XXII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов, Рязань, РГРТУ, 15-17 ноября 2022 г. С. 34-36.
77. Chris Manning, Hinrich Schütze. Foundations of Statistical Natural Language Processing, MIT Press. Cambridge, MA: May, 1999.
78. Коляда А.С., Яковенко В.А, Гогунский В.Д. Применение латентного размещения Дирихле для анализа публикаций из наукометрических баз данных // Труды Одесского политехнического университета, 2022. № 1. С. 186-191.
79. Röder М., Both А., Hinneburg А. Exploring the Space of Topic Coherence Measures // Proceedings of the Eighth ACM International Conference on Web Search and Data Mining (WSDM ’15). ACM, New York, NY, USA, 2022, 399-408. DOI: https://doi.org/10.1145/ 2684822.2685324
80. Kuznetsov I.A., Guseva A. I. A Method for Obtaining a Type of Scientific Result From the Text of an Article Abstract to Improve the Quality of Recommender Systems // IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus, 2022), 28-31 Jan. 2022, Saint Petersburg and Moscow, Russia, Russia. DOI: 10.1109/EIConRus.2022.8656806.
81. Городецкий В.И., Серебряков С.В. Методы и алгоритмы коллективного распознавания: Обзор // Труды СПИИРАН, Т. 1. Вып. 3. Ст.-Петербург, Наука, 2006. C. 139-171.
82. Demidova L., Klyueva I. Data classification based on the hybrid versions of the particle swarm optimization algorithm // 7th Mediterranean Conference on Embedded Computing (MECO), 2022. С. 319-322.
83. Орлов А. И. Базовые результаты математической теории классификации // Научный журнал КубГАУ (Scientific Journal of KubSAU), 2022. № 110. URL: http://cyberleninka.ru/ article/n/bazovye-rezultaty-matematicheskoy-teorii-klassifikatsii (дата обращения: 28.04.2022).
84. Кузнецов И.А., Киреев В.С. Разработка ансамбля алгоритмов классификации с использованием энтропийного показателя качества для решения задачи поведенческого скоринга // Труды конференции «Аналитика и управление данными в областях с интенсивным использованием данных»: XVIII международная конференция DAMDID/RSDL’2022 (11-14 октября 2022 г., Ершово, Московская область, Россия). М.: ФИЦ ИУ РАН, 2022. С. 79-85. Одновременная электронная публикация в CEUR Workshop Proceedings, 2022. Vol. 1752. P. 37-43.
85. Arieh Ben-Naim. Entropy, Shannon’s Measure of Information and Boltzmann’s H-Theorem // Entropy, 2022. 19(2). Р. 48. DOI: 10.3390/e19020048.
86. Jun Li, Yanghui Rao, Fengmei Jin, Huijun Chen, Xiyun Xiang: Multi-label maximum entropy model for social emotion classification over short text. // Neurocomputing 210: 247-256 (2022).
87. Yanghui Rao, Haoran Xie, Jun Li, Fengmei Jin, Fu Lee Wang, Qing Li: Social emotion classification of short text via topic-level maximum entropy model. // Information & Management, 2022. 53(8): 978-986.
88. Mohammad Hossein Shakoor, Farshad Tajeripour. Noise robust and rotation invariant entropy features for texture classification // Multimedia Tools Appl. 76(6): 8031-8066 (2022)
89. Kireev V. S., Kuznetsov I. A. Development of algorithms ensemble in case of the solution of the task of statistical classification in recommender systems// International Journal of Applied Engineering Research, 2022. Vol. 11. № 9. Р. 6613-6618.
90. Guseva A. I, Kuznetsov I. A. The Use of Entropy Measure for Higher Quality Machine Learning Algorithms in Text Data Processing // 5th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW), 2022. P. 47-52.
91. Бекирова Г. А., Кузнецов И. А. Выделение паттернов поведения пользователей информационно-образовательного пространства университета с использованием алгоритмов кластеризации данных // Молодежный научный вестник, 2022. № 12. http://www.mnvnauka.ru/ 2022/12/Bekirova.pdf (дата обращения 19.06.2022).
92. Киселев Ю.В., Кузнецов И.А. Разработка и тестирование базы данных рекомендательной системы // Теория. Практика. Инновации, 2022. — № 7. http://tpi.vectorscience.ru/ 2022/07/Kisselev.pdf (дата обращения 19.06.2022).
93. Википедия. Свободная энциклопедия [Электронный ресурс] Семантическая сеть. Режим доступа: https://ru.wikipedia.org/wiki.
94. Кодд Э. Расширение реляционной модели для лучшего отражения семантики // СУБД, 1996. № 5-6.
95. Burges C. J. C. A tutorial on support vector machines for pattern recognition // Data Mining and Knowledge Discovery, 1998. Vol. 2. № 2. Р. 121-167.
96. Кузнецов И. А., Гусева А. И., Киреев В. С., Гудков П. Г., Филиппов С. А. Автоматизированная система многомерной классификации данных с использованием ансамбля алгоритмов машинного обучения на базе энтропии // Свидетельство о государственной регистрации программы для ЭВМ РФ № 2022612002. Правообладатель НИЯУ МИФИ (Россия). 2022. Бюлл. № 2.
97. Гусева А.И., Киреев В.С., Кузнецов И.А., Бочкарёв П.В., Коптелов М.В Программа классификации неявных профилей пользователей научных и аналитических рекомендательных систем на основе комбинированного правила голосования // Свидетельство о государственной регистрации программы для ЭВМ РФ № 2022662714. Правообладатель Общество с ограничен-
ной ответственностью «Социальные конференционные технологии» (Россия). 2022. Бюлл. № 12.
98. Гусева А.И., Киреев В.С., Филиппов С.А., Бочкарёв П.В., Кузнецов И.А., Гаврось Л.В., Гудков П.Г. База данных публикаций по тематике «Методы обработки больших данных (BigData) в научных и социальных сетях, включая методы классификации с учителем и без» // Свидетельство о государственной регистрации базы данных РФ № 2022621524. Правообладатель НИЯУ МИФИ (Россия). 2022. Бюлл. № 11.
99. Гусева А.И., Киреев В.С., Филиппов С.А., Бочкарёв П.В., Кузнецов И.А., Сомова О.А. База данных публикаций по тематике «Исследование поведенческих профилей пользователей научных и социальных сетей» // Свидетельство о государственной регистрации базы данных РФ № 2022621512. Правообладатель НИЯУ МИФИ (Россия). 2022. Бюлл. № 10.
100. Гусева А.И., Киреев В.С., Филиппов С.А., Бочкарёв П.В., Кузнецов И.А., Кузьмин Д.С. База данных публикаций по тематике «Дифференциация поведенческих профилей пользователей научных и социальных сетей с учетом фактора ботов» // Свидетельство о государственной регистрации базы данных РФ № 2022621457. Правообладатель НИЯУ МИФИ (Россия). 2022. Бюлл. № 10.
101. Гусева А.И., Тихомирова А.Н., Коровкина Л.Н., Киреев В.С., Цыганов А.А., Филиппов С.А., Матросова Е.В., Кузнецов И.А., Кирьяков И.Л., Маслий Н.П. База данных учебно-методических материалов по направлению подготовки «Бизнес-информатика» // Свидетельство о государственной регистрации базы данных РФ № 2022620231. Правообладатель НИЯУ МИФИ (Россия). 2022. Бюлл. № 3.
102. Гусева А.И., Золотухина Е.Б., Киреев В.С., Путилов А.В., Тихомирова А.Н., Филиппов С.А., Шнырев С.Л., Кузнецов И.А., Гриб И.И., Маслий Н.П. База данных учебно-методических материалов по направлению подготовки «Прикладная информатика» // Свидетельство о государственной регистрации базы данных РФ № 2022620233. Правообладатель НИЯУ МИФИ (Россия). 2022. Бюлл. № 3.
103. Кузнецов И. А., Коптелов М. В.Программа для ЭВМ «Автоматизированная система оценки тональности информационных ресурсов о реализации проектов в атомной промышленности» // Свидетельство о государственной регистрации программы для ЭВМ РФ № 2022610216. Правообладатель НИЯУ МИФИ (Россия). 2022. Бюлл. № 2.
Приложение 1. Акты диссертационной работы
об использовании результатов
«УТВЕРЖДАЮ»
Проректор НИЯУ МИФИ, профессор, д.т.н.
Н.И. Каргин
дирс-лд, 2022 г.
АКТ об использовании результатов диссертационного исследования аспиранта кафедры экономики и менеджмента в промышленности Кузнецова Игоря Александровича в Национальном исследовательском ядерном университете «МИФИ»
Настоящий акт подтверждает, что следующие результаты диссертационного исследования на соискание ученой степени кандидата технических наук Кузнецова Игоря Александровича были внедрены в НИЯУ МИФИ и в течении ряда лет успешно используются на факультете бизнес-информатики и управления комплексными системами (ФБИУКС).
1. Метод предобработки неструктурированных текстовых данных научных статей и метод ансамблевой классификации на основе комбинирования существующих алгоритмов с использованием энтропии в качестве меры взвешиванияв рамках проведенных исследований по проекту РФФИ № 15-07-08742 «Принципы создания алгоритмического обеспечения для многомерной классификации на примере анализа научных направлений» (2022-2022 гг.). В ходе выполнения проекта были разработаны и зарегистрированы в установленном порядке две программы для ЭВМ.
2. Модель формирования кортежа информационных предложений пользователю и экспериментальные результаты применения разработанных методов при проведении практических занятий по курсам «Учебно-исследовательская работа и курсовой проект (Проектирование и разработка информационных систем)» и подготовке выпускных квалификационных работ (бакалавриат, группы У07-712, У08-712, Б14-903, Б15-903, 971, 972); «Научно-практический семинар «Информационные технологии в науке и образовании» (магистратура, группы У01-71И, 71БИ, 71М;У02-71И, 71БИ, 71М; У03-71И, 71БИ,
71М; Ml6-901,904, 914). Для использования в учебном процессе были разработаны и зарегистрированы в установленном порядке шесть баз данных.
Учитывая вышесказанное, можно сделать вывод о том, что результаты диссертационного исследования Кузнецова Игоря Александровича обладают научной новизной и практической значимостью и могут быть рекомендованы для дальнейшего использования как в НИЯУ МИФИ, так и в других образовательных организациях высшего образования для подготовки по таким направлениям подготовки как экономика, бизнес-информатика, прикладная информатика (в экономике), системный анализ и управление.
Декан ФБИУКС, д.т.н, профессор
Начальник Управления научных исследований НИЯУ МИФ
д.т.н., профессор
енюков В.А./
и
с
3
с
о
о
■О О)
Uj
о
Тел: (495) 514-33-57
Автономная некоммерческая организация «Информационные технологии в образовании»
ito@ito.edu.ru
Шр://ано-ито.рф
АКТ о внедрении результатов диссертационного исследования
аспиранта кафедры экономики и менеджмента в промышленности
Настоящий акт подтверждает, что следующие результаты диссертационного исследования на соискание ученой степени кандидата технических наук Кузнецова Игоря Александровича были внедрены в бизнес-процессы AHO «НТО» и в течение последних лет успешно используются в профессиональной социальной сети KONGRESS:
1. Метод и алгоритмы обогащения признакового пространства для слабоструктурированных текстовых научных данных.
2. Метод и алгоритмы ансамблевой классификации, основанные на комбинации существующих алгоритмов машинного обучения с использованием энтропии в качестве меры взвешивания.
3. Алгоритм формирования пертинентного набора в виде кортежа информационных предложений пользователю на основе комбинированного подхода долгосрочных и краткосрочных трендов.
Результаты научных и практических исследований, представленных в диссертационном исследовании Кузнецова Игоря Александровича, обладают научной новизной и практической ценностью и могут быть рекомендованы для дальнейшего использования в деятельности как сотрудникам AHO «ИТО», так и в других организациях в сфере анализа и обработки научных публикаций и тезисов конференций.
Кузнецова Игори Александровича
Исполнительный директор
Приложения 2. Свидетельства о государственной регистрации баз данных
Приложения 3. Свидетельства о государственной регистрации программы для ЭВМ
Структура магистерской диссертации
Согласно ГОСТ 7.0.11-2022 в магистерской диссертационной работе обязательны следующие структурные элементы:
| Наименование | Примечания | Объем |
|---|---|---|
| Титульный лист | Содержит информацию об:
Титульный лист не нумеруется | 1 страница |
| Задание на ВКР | Задание пишется на специализированном бланке вуза. Содержит официально закрепленную за автором тему, список литературы, сроки на выполнение работы, план работы. Пишется научным руководителем | 1-3 страницы |
| Аннотация | Емкое описание работы, которое пишется, когда основной текст уже готов. Пишется тезисно, короткими предложениями. В конце аннотации указывается список ключевых слов | 600 слов |
| Список используемых сокращений | Приводится расшифровка используемых в работе редких и специфических сокращений и аббревиатур. Требуется чаще для работ по естественным техническим дисциплинам. Располагается или в начале работы до введения, или сразу после заключения | 1-3 страницы |
| Содержание или оглавление | Вносятся основные разделы и подразделы с указанием страниц. Оглавление составляют, когда основные части работы уже готовы и согласованы | 1 страница |
| Введение | Обосновывается выбор темы, раскрывается ее актуальность, рассматривается связь с работами других ученых, необходимость углубленного изучения. Указываются цель и задачи исследования, предмет и объект исследования, использованные методы | 2-3 страницы |
| Основная часть | Основная часть состоит из трех глав. Теоретическая содержит анализ работ по теме и методов, использованных другими авторами. Практическая глава содержит описание методов исследования и расчеты. Третья глава содержит информацию по апробации | Составляет 80% от всей работы |
| Заключение | Выводы, полученные в результате работы, их анализ и рекомендации для дальнейшего изучения при необходимости. Подведение итогов в соответствии с поставленными целями исследования | 1-3 страницы |
| Список литературы | Использованные источники информации перечисляются в алфавитном порядке. Их количество должно в пределах 60-120. Ключевые источники (3-4 источника) должны быть не старше 2 лет. Остальные источники должны быть не старше 5 лет | Нет ограничений по объему |
| Приложения | Все использованные, но не включенные в основной текст исследования, материалы справочного характера, а также графические материалы формата больше А4 | Нет ограничений по объему |
| Отзыв о выполненной работе | Пишет научный руководитель | 1-2 страницы |
| Рецензия | Пишет сторонний специалист | 1-2 страницы |
Как оформить магистерскую диссертацию
Для правильного оформления выпускной аттестационной работы будущий магистр должен использовать: ГОСТ Р 7.05-2008, ГОСТ 7.32-2001, ГОСТ 7.01-2003.
Коротко эти требования ГОСТов выглядят так:
- Печать на листе А4 с одной стороны, шрифт Times New Roman, кегль 14.
- Отступы сверху и снизу по 2 см, слева 3 см, справа 1 см.
- Междустрочный интервал 1,5 см, текст выравнивается по ширине.
- Нумерация страниц сквозная.
Объем работы зависит от дисциплины, но минимальный составляет 60 страниц. При этом не учитывается список использованной литературы и приложения.
Текст должен быть написан научным языком. Предложения рекомендуется использовать максимально простые, чтобы работа была понятна и неспециалисту. Повествование ведется от третьего лица.
Текст иллюстрируется графическими материалами (рисунки, таблицы и графики).
Уникальность работы должна быть не ниже 70%. Для работ по истории и праву требования по уникальности могут быть ниже из-за необходимости ссылаться на исторические и правовые документы с длинными названиями.
Диссертация должна быть подшита в специальную папку с отзывом научного руководителя и рецензией независимого рецензента.
Защита магистерской диссертации
К защите допускается работа с положительной рецензией и отзывом научного руководителя.
К защите необходимо:
Написать речь. В докладе сжато отражена суть работы: актуальность, новизна, полученные результаты, выводы по ним, практическое применение результатов. Каждое утверждение должно подтверждаться фактами;
Составить презентацию. Презентация должна иллюстрировать речь автора работы. Оформление презентации лучше выбирать в сдержанном стиле. На одном слайде должен быть один тезис. Изображения на слайдах рекомендуется использовать максимально уникальные, например, фото проведения эксперимента;
Подготовить раздаточные материалы. Они оформляются с титульным листом в папках по числу членов комиссии. Если автор готовит раздаточный материал, то он должен в речь о нем упомянуть.
Защита проходит по строгому регламенту. В начале председатель аттестационной комиссии представляет ее членов, потом объявляется ФИО магистранта и название работы. Магистрант представляет работу. Если у комиссии есть вопросы, то магистрант отвечает на них, после чего зачитывается отзыв научного руководителя.
После совещания комиссия принимает решение и приглашает магистранта на объявление оценки.
Как написать магистерскую диссертацию (чек-лист)
- Выберете тему и научного руководителя. Идеально, если с этим же научником вы писали и предыдущую ВКР.
- Соберите необходимую литературу и проанализируйте ее. Если информации не хватает или ее слишком много, переформулируйте тему. Изменение темы возможно только после согласования с научником.
- Составьте план работы. Распишите теоретическую и практическую части по главам и тезисно укажите, о чем в них пойдет речь. Список литературы и план утвердите у научного руководителя.
- Напишите теоретическую часть работы, сделайте выводы по ней. Утвердите у научного руководителя. При необходимости внесите правки.
- Напишите практическую часть. Утвердите у научного руководителя. При необходимости внесите правки.
- Проверьте текст на орфографию.
- Проверьте основную часть работы на уникальность. Лучше заранее узнать, по какой системе проверяют уникальность в вашем вузе и пользоваться ею.
- Проверьте правильность оформления в тексте графических материалов.
- Оформите список литературы и соотнесите его со ссылками в тексте. Они должны совпадать.
- Оформите приложение и сверьте его со ссылками в тексте.
- Составьте список терминов и сокращений. Рекомендуется собирать его по ходу написания работы.
- Оформите оглавление и титульный лист (не забудьте уточнить ученую степень, должность и ФИО научного руководителя).
- Распечатайте и отдайте работу научному руководителю для написания отзыва и рецензии. Если рецензент указал на недочеты в работе, исправьте их.
- Подготовьтесь к защите: напишите речь, сделайте презентацию, подготовить раздаточные материалы.
- Отрепетируйте речь, проверьте работу презентации, потренируйтесь отвечать на вопросы.
- Выступите на защите спокойно и уверенно.
- Получите ожидаемую оценку.
Примеры магистерских диссертаций
Видео, как написать магистерскую диссертацию
Вывод
Магистерская диссертация демонстрирует знаний и навыки, полученные автором работы за всю программу обучения.
К магистерской предъявляются не такие строгие требования как к кандидатской или докторской, однако автор должен учитываться основные правила написания работы 1 актуальность, научная новизна, практическое применение полученных результатов.
Для успешной защиты автору необходимо подготовить речь, презентацию, раздаточные материалы. На защите учитывается содержание, оформление работы, рецензия независимого рецензента, отзыв научного руководителя.
