Кафедра "Комп'ютерна інженерія та програмування"

Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/1095

Офіційний сайт кафедри https://web.kpi.kharkov.ua/cep

Від 26 листопада 2021 року кафедра має назву – "Комп’ютерна інженерія та програмування"; попередні назви – “Обчислювальна техніка та програмування”, “Електронні обчислювальні машини”, первісна назва – кафедра “Математичні та лічильно-вирішальні прилади та пристрої”.

Кафедра “Математичні та лічильно-вирішальні прилади та пристрої” заснована 1 вересня 1961 року. Організатором та її першим завідувачем був професор Віктор Георгійович Васильєв.

Кафедра входить до складу Навчально-наукового інституту комп'ютерних наук та інформаційних технологій Національного технічного університету "Харківський політехнічний інститут". Перший випуск – 24 інженери, підготовлених кафедрою, відбувся в 1964 році. З тих пір кафедрою підготовлено понад 4 тисячі фахівців, зокрема близько 500 для 50 країн світу.

У складі науково-педагогічного колективу кафедри працюють: 11 докторів технічних наук, 21 кандидат технічних наук, 1 – економічних, 1 – фізико-математичних, 1 – педагогічних, 1 доктор філософії; 9 співробітників мають звання професора, 14 – доцента, 2 – старшого наукового співробітника.

Переглянути

Результати пошуку

Зараз показуємо 1 - 7 з 7

Впровадження мобільних технологій в освітній процес
(ФОП Петров В. В., 2021) Бельорін-Еррера, Олександра Михайлівна; Чепела, С. П.
Метод перерозподілу ресурсів університетської системи e-learning на гіперконвергентній платформі
(Національний аерокосмічний університет ім. М. Є. Жуковського "Харківський авіаційний інститут", 2019) Кучук, Ніна Георгіївна; Мерлак, Вікторія Юріївна
У зв'язку з популяризацією використання IT-технологій традиційні методи навчання все частіше змінюються підходами електронного навчання. E-learning – це система навчання за допомогою інформаційних та електронних технологій. E-learning на гіперконвергентній платформі можна розглядати як складну організаційну ієрархічну систему, яка у статті розглядається як певний математичний об'єкт. Проте ресурси системи e-learning обмежені та для її успішної реалізації існує потреба забезпечити її максимальне використання на всіх рівнях системи. Отже, як суттєвий елемент всієї системи, має бути швидкий перерозподіл ресурсів університетської системи e-learning на гіперконвергентній платформі. Автори статті проаналізували існуючі проблеми систем з ієрархічною структурою та можливі вирішення цих проблем. В роботі розглянуто сукупність цілей та завдань, що стоять перед керівними органами ієрархічної системи та представлено у вигляді набору графів системних цілей та завдань. Було встановлено, що процесі досягнення основної мети системи виникають зовнішні обурення, які мають переважно ситуаційний характер, а не стохастичний. І тому перед керівними органами управління існує безліч об'єктів і завдань з усунення відхилень. На верхньому рівні управління ієрархічної системи – управління гіперконвергентной структурою, на нижньому рівні управління – управління віджетами e-learning. Предметом дослідження є електронні освітні ресурси університетського e-learning. Метою статті є розробка методу швидкого перерозподілу ресурсів електронного навчання на гіперконвергентній платформі. Висновки. У статті запропоновано метод побудови графічної моделі процесу функціонування університетського e learning, розгорнутого на гіперконвергентній платформі, який базується на проблемах та цілях аналізу структури системи. Було створений граф узгоджувальних цілей та завдань, який розглядає доступні навчальні ресурси. Також було запропоновано метод розподілу ресурсів різних типів. Для оцінки ефективності процесу розподілу ресурсів було обрано критерій "обґрунтованість" та розраховано імовірнісний показник.
Моделювання інформаційної системи e-learning з використанням генетичних алгоритмів
(ФОП Петров В. В., 2018) Шматков, С. І.; Кучук, Ніна Георгіївна; Донець, В. В.
В статті розглядається модель інформаційної системи e-learning. Мета статті – розробка моделі інформаційної системи e-learning, в якій для пошуку оптимальної структури буде використано апарат генетичних алгоритмів. Базою для створення програмної моделі є математична модель інформаційних взаємозв’язків системи електронного навчання, розгорнутої на гіперконвергентному сервері. Результати. Представлено розроблений програмний комплекс із поясненням запуску при наявності виконавчого файлу. Наведено інтерфейс використання програми відповідними зображеннями. Також надано типовий алгоритм використання програми із вводом початкових даних, збереженням їх у базы даних. Для синтезу інформаційної системи e-learning було досліджено переваги та недоліки генетичного алгоритму. В результаті виведені переваги та недоліки притаманні створеному алгоритму, які також притаманні генетичним алгоритмам взагалі. Висновки. Розроблена програма дозволить підвисити ефективність використання базової гіперконвергентної мережі, а, отже, і підвисити якість функціонування системи e-learning в цілому. Це є необхідною складовою створення такої системи в умовах обмеженого бюджету університету.
Модель інформаційної структури гіперконвергентної системи підтримки електронних обчислювальних ресурсів університетської е-learning
(ФОП Петров В. В., 2018) Шматков, С. І.; Кучук, Ніна Георгіївна; Донець, В. В.
В статті наведено результати розробки математичної моделі інформаційної структури гіперконвергентної системи підтримки електронних обчислювальних ресурсів університетської e-learning. Модель враховує особливості університетської e-learning, дозволяє встановити інформаційні взаємозвязки між складовими системи та провести аналіз гіперконвергентної базової мережі. На базі розробленої моделі можна провести моделювання процесу функціонування e-learning, результатами якого повинні стати чисельні значення пропускної здатності мережі: навантаження на канали зв'язку і структуроутворююче обладнання, інтенсивності потоків даних і запитів, що надходять на вузли мережі.
Аналіз інформаційних технологій у системах мобільного навчання
(Полтавський національний технічний університет ім. Юрія Кондратюка, 2017) Шматков, С. І.; Кучук, Ніна Георгіївна; Коломієць, Ж. О.
У статті проведено аналіз інформаційних технологій систем мобільного навчання. Розглянуто основні можливості таких систем, їх недоліки та переваги. Досліджено подальший процес розвитку систем мобільного навчання. На основі аналізу було сформовано список вимог до оптимального функціонування інформаційних технологій у системах мобільного навчання. Запропоновано макет навчального курсу у системі мобільного навчання на основі сформованих вимог. Макет дозволяє отримати швидкий доступ до матеріалів навчальної дисципліни за допомогою мобільного пристрою.
Аналіз сучасних технологій і розробок e-Learning
(Полтавський національний технічний університет ім. Юрія Кондратюка, 2016) Кучук, Ніна Георгіївна
В статті розглянуто аспекти сучасного стану методів, технологій та перспектив розвитку системи e-Learning. Досліджено проблему електронного навчання, що пов'язана з невизначеністю термінології. Проаналізовано різні комбінації інформаційних технологій, що можуть бути використані для реалізації різних методів e-Learning. Відображено архітектуру та платформи електронного навчання. Доведено,що процес впровадження електронного навчання є більш складним, ніж очікувалося, і що переваги нових технологій супроводжуються проблемами при використанні. Аналіз безлічі існуючих методів e-Learning та перспективи подальших досліджень в цій області показують необхідність впливу на розвиток освіти в особливий спосіб.
Parallel implementation of the method of gradient boosting
(Національний технічний університет "Харківський політехнічний інститут", 2018) Tolstoluzka, E.; Parshentsev, B.; Moroz, O.
The issue of machine learning has been paying more attention in all areas of information technology in recent times. On the one hand, this is due to the rapid growth of requirements for future specialists, and on the other - with the very rapid development of information technology and Internet communications. One of the main tasks of e-learning is the task of classification. For this type of task, the method of machine learning called gradient boost is very well suited. Grading boosting is a family of powerful machine learning algorithms that have proven significant success in solving practical problems. These algorithms are very flexible and easily customized for the specific needs of the program, for example, they are studied in relation to different loss functions. The idea of boosting is the iterative process of sequential building of private models. Each new model learns based on information about errors made in the previous stage, and the resulting function is a linear combination of the whole ensemble of models, taking into account minimization of any penalty function. The mathematical apparatus of gradient boosting is well adapted for the solution of the classification problem. However, as the number of input data increases, the issue of reducing the construction time of the ensemble of decision trees becomes relevant. Using parallel computing systems and parallel programming technologies can produce positive results, but requires the development of new methods for constructing gradient boosting. The article reveals the main stages of the method of parallel construction of gradient boosting for solving the classification problem in e-learning. Unlike existing ones, the method allows to take into account the features of architecture and the organization of parallel processes in computing systems with shared and distributed memory. The method takes into account the possibility of evaluating the efficiency of building an ensemble of decision trees and parallel algorithms. Obtaining performance indicators for each iteration of the method helps to select the rational number of parallel processors in the computing system. This allows for a further reduction of the completion time of the gradient boosting. The simulation with the use of MPI parallel programming technology, the Python programming language for the architecture of the DM-MIMD system, confirms the reliability of the results. Here is an example of the organization of input data. Presented by Python is a program for constructing gradient boosting. The developed visualization of the obtained estimates of performance indicators allows the user to select the necessary configuration of the computing system.