No abstract

No abstract

In this research work, comparative study for prediction for 28-days compressive strength of Ready Mix Concrete(RMC) have been carried out using Feed forward back propagation and Cascade forward back propagation algorithms. The study was conducted by varying the number of neuron in the hidden layer using tansigmoidal transfer function. Various models have been developed for different input scenarios, nondimensional ratios were used for modelling and the ratios such that their changes resulted in corresponding changes in the output. The compressive strength was modelled as a function of five variables: water/cement, fine aggregate/course aggregate, fly ash/cement, admixture/water, and water/total density. The effects of each parameter on networks were studied for Feed forward back propagation algorithm and Cascade forward back propagation algorithm of Artificial Neural Network (ANN). The Cascade forward back propagation algorithm of Artificial Neural Network (ANN) models performed better than Feed forward back propagation algorithm models, especially in reducing the scatter of predictions.

Context. In the current information era, the problem of analyzing large volumes of unlabeled textual data and its further grouping with respect to the semantic similarity between texts is emerging. This raises the need for robust text analysis algorithms, namely, clustering and extraction of key data from texts. Despite recent progress in the field of natural language processing, new neural methods lack interpretability when used for unsupervised tasks, whereas traditional distributed semantics and word counting techniques tend to disregard contextual information.Objective. The objective of the study is to develop an interpretable text clustering and cluster labeling methods with respect to the semantic similarity that require no additional training on the user's dataset.Method. To approach the task of text clustering, we incorporate deep contextualized word embeddings and analyze their evolution through layers of pretrained transformer models. Given word embeddings, we look for similar tokens across all corpus and form topics that are present in multiple sentences. We merge topics so that sentences that share many topics are assigned to one cluster. One sentence can contain a few topics, it can be present in more then one cluster simultaneously. Similarly, to generate labels for the existing cluster, we use token embeddings to order them based on how much they are descriptive of the cluster. To do so, we propose a novel metric -token rank measure and evaluate two other metrics.Results. A new unsupervised text clustering approach was described and implemented. It is capable of assigning a text to different clusters based on semantic similarity to other texts in the group. A keyword extraction approach was developed and applied in both text clustering and cluster labeling tasks. Obtained clusters are annotated and can be interpreted through the terms that formed the clusters.Conclusions. Evaluation on different datasets demonstrated applicability, relevance, and interpretability of the obtained results. The advantages and possible improvements to the proposed methods were described. Recommendations for using methods were provided, as well as possible modifications.

Проаналізовано декілька різних підходів до автодоповнення програмного коду та різні методи їхнього покращення. Досліджено системи автодоповнення програмного коду у різних середовищах розробки (Visual Studio, Visual Studio Code, Eclipse, IntelliJ, тощо) та для різних мов програмування (C#, Visual Basic, JavaScript, Java, Python, тощо). Детально проаналізовано алгоритм IntelliSense та його використання в середовищах розробки програмного забезпечення (ПЗ). Встановлено підходи, за допомогою яких розробники систем автодоповнення програмного коду досягали кращих результатів у знаходженні найкращої пропозиції стосовно завершення коду. Оглянуто системи, що використовують сторонні бази даних для кращого аналізу програмного коду користувача та знаходження найбільш відповідної пропозиції автодоповнення на підставі контексту. Розглянуто різні ідеї для кращого алгоритму та комбінацію декількох у певних системах. Встановлено, що жодна з наявних систем повністю не зменшує фізичну роботу розробника. Запропоновано нову ідею для покращення досвіду користувача під час написання програмного коду. Проведено модифікацію алгоритму IntelliSense, внаслідок чого він підтримує використання фільтрів проекту та впорядковує пропозиції відповідно до популярності їх використання у заданих фільтрах. Спроектовано базу даних, у якій зберігаються створені користувачем ПЗ профілі, їхній статус (увімкнутий чи вимкнений) та кількість використань різних доповнень у цих профілях. Розроблено програмний засіб, що використовує згадану вище модифікацію алгоритму IntelliSense із використанням мови програмування TypeScript та технології розроблення розширень до середовища розробки ПЗ Visual Studio Code. Інтегровано цей програмний засіб у середовище розробки Visual Studio Code за допомогою підтримуваних нею функцій. Проаналізовано приріст у зменшенні часу обирання варіанта доповнення програмного коду від параметрів використання цього програмного засобу.