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 - 9 з 9

Resources redistribution method of university e-learning on the hyperconvergent platform
(National Aerospace University n. a. N. E. Zhukovsky "KhAI", 2018) Merlak, V.; Kuchuk, N. G.; Shmatkov, S.; Nechausov, A.
In this article a method of constructing a graph model of university e-learning functioning process, deployed on a hyperconvergent platform, proposed. The method is based on problems and objectives of the system structure analysis. The created graph considers available e-learning resources.
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.
Method of building the semantic network of distributed search in e-learning
(Харківський національний університет радіоелектроніки, 2017) Kuchuk, N. G.; Artiukh, R. V.; Nechausov, A. S.
The subject matter of the article is semantic networks of distributed search in e-learning. The goal is to synthesize a decision tree and a stratified semantic network that allows network intelligent agents in the e-learning to construct inference mechanisms according to the required attributes and specified relationships. The following results are obtained. The model of the base decision tree in e-learning is suggested. To simulate the decision tree in e-learning, the logic of predicates of the first order was used, which enabled making calculations both at the nodes of the tree and at its edges, and making decisions based on the results of calculations; applying partitioning operations to select individual fragments; specifying the solutions with further expanding the inference upper vertices; expanding the multi-level model vertically and horizontally. At the first stage of the model formalization, the graph of the base decision tree was constructed, whose nodes represent a substructure capable of performing an autonomous search subtask. The second stage is filling the base tree with semantic information and organizing its interaction with network intelligent agents. To provide the tree branches of decisions in e-learning with information, the process of stratified expansion of the base decision tree was suggested where the components of the decision node were detailed and the links among the received sub-units were established both on the horizontal and on the vertical levels. It is shown that in order to establish a set of goals and search problems on the studied structure, it suffices to determine: the graphs of goals and search problems for each node type; a set of edges that determine the dependence of the execution of search targets for the nodes that are not of the same type; a set of pointers that establish probable relationships for redistributing resources in accordance with the requirements of intelligent agents; communication mapping. The developed mathematical model of the base decision tree enabled a stratified expansion. Determining intensions and extensions allowed stratified semantic networks to be used for searching. Conclusions. The method of synthesizing a decision tree and a stratified semantic network is suggested; this method enables considering them as closely interrelated ones in the context of distributed search in e-learning. As a result, the process of searching and designing inference mechanisms can be formalized by the network intelligent agents according to the required attributes and given relationships.
Метод вибору оптимального плану виконання транзакцій e-learning
(ФОП Петров В. В., 2017) Кучук, Ніна Георгіївна
Розроблено математичну модель планування виконання транзакцій e-learning на протязі заданого інтервалу часу. На її основі сформульовано задачу вибору оптимального плану зі множини допустимих за критерієм мінімізації обчислювального ресурсу.
Математична модель процесу оперативного перерозподілу обчислювальних ресурсів в гіперконвергентному середовищі
(Харківський університет Повітряних Сил ім. Івана Кожедуба, 2015) Кучук, Ніна Георгіївна; Нечаусов, С. М.
У статті запропонована математична модель процесу оперативного перерозподілу ресурсів, що орієнтована на гіперконвергентну архітектуру базового програмно-апаратного середовища. Модель зорієнтована на середовище обслуговування електронних освітніх ресурсів. Модель враховує територіальну розподіленість необхідних освітніх ресурсів, ієрархію органів управління та пріоритетність завдань. Перерозподіл ресурсів орієнтований на виконання цілей і завдань e-learning при виникненні непередбаченої ситуації.
Класифікація, типова функціональність та особливості застосування систем електронного навчання та тренінгу персоналу в IT-компаніях
(Національний технічний університет "Харківський політехнічний інститут", 2018) Ткачук, Микола Вячеславович; Сокол, Володимир Євгенович; Білова, Марія Олексіївна; Космачов, О. С.
Предметом дослідження статті є особливості електронного навчання та тренінгу персоналу в IT-компаніях. Мета роботи - аналіз основних особливостей сучасних систем електронного навчання (LMS) та систем тренінгу персоналу (TMS) у відповідності до вимог IT-компаній, класифікація таких систем задля визначення чинників впливу на ефективність процесів їх вибору, впровадження та подальше функціонування; розробка пропозицій щодо їх вдосконалення. В статті вирішуються наступні завдання: аналіз переваг та недоліків використання LMS, TMS в ІТ-компанії; визначення загальної структури та класифікації систем електронного навчання; характеристика основних особливостей впровадження і використання LMS, TMS-систем у малих та середніх ІТ-компаніях; характеристика типових функцій систем електронного навчання та тренінгу персоналу. Використовуються такі методи: системний підхід. Отримано наступні результати: проаналізовано особливості корпоративного навчання та визначено специфіку використання LMS, TMS в ІТ-компанії; надано характеристику основних проблем та складностей, які виникають при впровадженні таких систем в роботу ІТ-компанії; визначено типовий функціонал систем електронного навчання та тренінгу персоналу та можливі аспекти його вдосконалення. Проаналізовано проблеми, пов'язані з організацією роботи систем електронного навчання та тренінгу персоналу, серед яких найбільш вагомими є фінансовий аспект, складність технічної реалізації та побудова навчального контенту. Висновки: на прикладі діяльності компанії "AcademySmart" визначені особливості впровадження LMS та TMS у бізнес-процеси ІТ-компанії.
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.