DSpace Зібрання: https://repository.hneu.edu.ua/handle/123456789/16123 2026-02-01T04:27:16Z Conceptual design of a bus ticket sales service module https://repository.hneu.edu.ua/handle/123456789/37769 Назва: Conceptual design of a bus ticket sales service module Автори: Kylynnyk A. Короткий огляд (реферат): The development of the digital economy requires process automation. The research focuses on thedevelopment of a bus ticket sales module, which includes database modelling, user interface andorder/payment processing logic to improve the efficiency of transport companies. 2025-01-01T00:00:00Z Розроблення модуля «Робота фотостудії» на базі Веб-технологій https://repository.hneu.edu.ua/handle/123456789/35926 Назва: Розроблення модуля «Робота фотостудії» на базі Веб-технологій Автори: Чернишенко М. Д. Короткий огляд (реферат): В даній роботі розглянуто використання вебтехнологій для автоматизації роботи фотостудії. Це дозволить структурувати великий потік інформації, покращити якість обслуговування клієнтів, та оптимізувати процеси роботи для скорочення часових витрат і тим самим збільшення прибутку. 2023-01-01T00:00:00Z Розробка комерційних сайтів з допомогою Content Management System https://repository.hneu.edu.ua/handle/123456789/35925 Назва: Розробка комерційних сайтів з допомогою Content Management System Автори: Лазебнік М. Короткий огляд (реферат): В даній роботі розглянуто використання веб-технологій CMS, пропонуючи користувачам практичні та ефективні засоби для купівлі обладнання онлайн. Це дозволяє дизайнерам веб-сайтів легко й ефективно створювати та обробляти цифровий вміст. 2023-01-01T00:00:00Z Efficient fault detection in industrial equipment using PCA and SMOTE enhanced neural networks https://repository.hneu.edu.ua/handle/123456789/35775 Назва: Efficient fault detection in industrial equipment using PCA and SMOTE enhanced neural networks Автори: Huts V.; Gorokhovatskyi O. Короткий огляд (реферат): This research addresses the challenge of fault detection in industrial equipment using high-dimensional vibration data with limited labeled examples. The goal was to develop a neural network model capable of accurately classifying measurement vectors into normal and faulty categories. The dataset consisted of 1158 samples, each with 93,752 numerical features, representing two classes: 865 normal and 293 faulty instances. A comprehensive preprocessing pipeline was employed, including standardization, dimensionality reduction using Principal Component Analysis (PCA), and Synthetic Minority Over-sampling Technique (SMOTE) for class balancing. The developed neural network achieved a baseline accuracy of 94.40% with 100 PCA components. Further experiments demonstrated that reducing the architecture and using only 50 PCA components improved accuracy to 98.81%, highlighting the effectiveness of the proposed approach. These findings emphasize the utility of combining PCA, SMOTE, and neural networks for fault detection in industrial equipment in high-dimensional, imbalanced datasets. Future research directions include exploring advanced neural network architectures, investigating the impact of PCA component count on model performance, and studying the feasibility of training effective models on synthetic data. 2025-01-01T00:00:00Z