Қазақ ұлттық қыздар педагогикалық университеті / Казахский национальный женский педагогический университет

Постоянный URI для этого сообществаhttps://cris.qyzpu.kz/handle/123456789/1

Просмотр

Результаты поиска

Показано: 1 - 7 из 7

Некоторые метрики заблокированы вашими
настройками согласия
Вестник ЗКУ
(2026-07-24)
Е.А.Тулегенов
;
Н.О.Мекебаев
;
Ж.А. Орынтаева
This study comprehensively examines contemporary issues in predicting topographic elevation through the integration of Geographic Information Systems (GIS) and Machine Learning algorithms. Currently, the development of high-precision Digital Elevation Models (DEM) for the territory of Kazakhstan is of paramount importance. This is primarily due to the unique geomorphological complexity of the country; the Kazakh landscape, ranging from the Caspian depressions to the high-altitude systems of the Tien Shan and Altai, poses a significantly challenge for any mathematical model. From a practical standpoint, such natural heterogeneity significantly reduces the effectiveness of classical geostatistical interpolation methods, such as Kriging or Inverse Distance Weighting (IDW). Standard approaches often fail to account for sharp topographic gradients, leading to substantial errors. To address these shortcomings, this research employs modern data-driven approaches. The subject of the study is the process of regression forecasting of elevation points by integrating spatial data from GIS platforms into machine learning models. The primary objective is to identify the most optimal model adapted to the specific characteristics of the local terrain. To this end, three different architectures were tested: Random Forest, Gradient Boosting, and Artificial Neural Networks (ANN). In the initial stage, GIS data underwent preprocessing and normalizations, after which the predictive capacity of each model was compared against actual measurement points. The results indicated that machine learning methods provide 20-35% higher accuracy compared to traditional techniques. During the comparative analysis, the Random Forest model datasets. This model allowed for a more accurate description of local terrain fluctuations. In conclusion, the proposed methodology paves the way for elevating digital cartography in Kazakhstan to a qualitatively new level. It is recommended to implement these research findings in geodetic design, hydrological modeling, environmental monitoring, and state systems for transformation aimed at the efficient use of the country`s land resources.
Некоторые метрики заблокированы вашими
настройками согласия
СҰЙЫҚТЫҚ АҒЫНЫН ЕСЕПТЕУДЕ САНДЫҚ ӘДІСТЕР МЕН ЖАСАНДЫ ИНТЕЛЛЕКТТІ ҚОЛДАНУ
(2024-12-01)
L. Tukenova
;
Omirlan Auelbekov
;
B. K. Abduraimova
;
Saya Sapakova
;
А.А. Саметова
Бұл зерттеу бастапқы және шеткі шарттары көрсетілген тікбұрышты аймақтағы сығылмайтын сұйықтық ағынын модельдеу міндеттеріндегі соңғыайырмашылықтардың сандық әдісін жақсарту үшінжасанды интеллектті қолдануға арналған. Сандық әдістер гидродинамика мәселелерін шешу үшін кеңінен қолданылады, бірақ мұндай әдістердің дәлдігі мен тиімділігін машиналық оқыту және нейрондық желілер сияқты жасанды интеллект әдістерін қолдану арқылы жақсартуға болады. Бұл зерттеу тікбұрышты аймақтағы сұйықтық ағынын дәлірек және тиімді модельдеу үшін жасанды интеллект әдістерімен соңғыайырмашылықтардың комбинациясын ұсынады. Нәтижелер жасанды интеллект арқылы жетілдірілген сандық әдістер сұйықтық ағынының әрекетін жылдамырақ және дәлірек модельдеуді қамтамасыз ете отырып, күрделі гидродинамикалық есептерді шешудің тиімділігі мен сенімділігін арттыратынын көрсетеді. Зерттеу жасанды интеллекттің классикалық сандық әдістердіжетілдірудегі әлеуетін көрсетеді, бұл тіпті есептеу ресурстары шектеулі болса да, сұйықтық ағынының дәлірек үлгілерін жасауға мүмкіндік береді. Бұл жұмыстың жаңалығы машиналық оқытудың дәстүрліәдістерден асып түсетін адаптивті тәсіл болып табылатын соңғыайырмашылық әдісіменнақты интеграциясында жатыр. Бұл интеграция күрделі гидродинамикалық сценарийлермен жұмыс істеудің жаңа мүмкіндіктерін ашады. Зерттеу нәтижелері әртүрлі инженерлік қосымшалардағы сұйықтық ағындарын модельдеудің дәлірек және тиімді әдістерін жасау үшін пайдалы.
Некоторые метрики заблокированы вашими
настройками согласия
Research of the Finite Difference Numerical Method Using Artificial Intelligence for Solving Problems of Incompressible Fluid Flow in a Rectangular Domain with Initial and Boundary Conditions
(2025-01-01)
Lyailya Tukenova
;
Omirlan Auelbekov
;
S. Sapakova
;
Bayan Abduraimova
;
Ж. Р. Уалиев
This study explores the enhancement of the finite difference method using artificial intelligence (AI) to model incompressible fluid flow within a rectangular domain.Accurate and efficient modeling of incompressible flows is crucial in hydrodynamics and aerodynamics, where traditional numerical methods like finite difference often face limitations in accuracy and computational speed, especially for complex problems with varied initial and boundary conditions.By integrating AI techniques such as neural networks and machine learning, this approach enables adaptive parameter selection, optimizing the calculation process, improving accuracy, and reducing computational demands.The combined finite difference and AI approach demonstrated significantly reduced computational complexity and improved accuracy, as verified across multiple test cases with different boundary conditions.Results indicate that AI-enhanced numerical methods improve the efficiency and reliability of solutions for complex hydrodynamic problems, offering faster, more precise modeling of fluid flow behaviors.The study highlights the potential of AI to enhance classical numerical methods, enabling the development of more accurate fluid flow models even with limited computational resources.The novelty of this work lies in the specific integration of machine learning with the finite difference method, presenting an adaptive approach that extends beyond traditional techniques.This integration opens up new possibilities for handling complex fluid dynamics scenarios, expanding the applications of numerical methods in scientific and engineering calculations.
Некоторые метрики заблокированы вашими
настройками согласия
КЛАССИФИКАЦИЯЛЫҚ АЛГОРИТМДЕРДІ ҚОЛДАНЫП ДАУЫСТЫ ТАНУ
(2025-03-31)
Nurbapa Mekebayev
;
Dauren Darkenbayev
;
Модовов Н.А
;
Орынтаева Ж.А.
Дауыс тану жүйелері машиналық оқыту әдістеріне негізделген, оның ішінде классификациялық алгоритмдер кеңінен қолданылады. Классификация дауыс сигналдарын әртүрлі санаттарға, мысалы, сөздер немесе сөйлемдерге бөліп тануды жүзеге асырады. Бұл үдерісте жиі қолданылатын алгоритмдерге логистикалық регрессия, шешім ағаштары және нейрондық желілер жатады. Дауыс сигналын өңдеуде алдымен ерекшеліктері, яғни маңызды параметрлері, экстракцияланады, содан кейін олар классификаторға беріледі. Классификация нәтижесінде жүйе сөйлеген сөзді мәтінге түрлендіреді немесе дыбыстың нақты мазмұнын анықтайды. Бұл технология адам-компьютер өзара әрекеттестігін жақсарту үшін маңызды. Бұл мақалада машиналық оқыту әдістерін қолдана отырып, сөйлеушінің даусын анықтау мәселесін шешу үшін жіктеу алгоритмдерін қарастырамыз. Сөйлеудің алдын ала өңдеуде МҒСС-ті алгортимін пайдаландық. Жоғарыдағы мәселені шешу үшін бес жіктеу алгортмі қарастырылып, салыстырмалы талдау жасалды. Алғашқы эксперимент жасағанда ең жақсы нәтиже көрсеткен SVC алгортимі 0,90 және MLP Classifier алгоритмі 0,83 нәтижелерін көрсетті. Келесі экспермиентте жеке тұлғаның дауысын анықтауда неғұрлым үлкен дәлдікте Robust scaler әдісімен масштабтауда – 0,93 көпқабатты персептрон көрсете бастады. Сондықтан бұл мәселені шешу үшін сөйлеу сигналының ерекшелігін ескеретін көп қабатты перцептронды қолдануға болады.
Некоторые метрики заблокированы вашими
настройками согласия
Flood forecasting using machine learning methods in a visual programming environment
(2025-07-17)
Gulzat Z. Ziyatbekova
;
Dauren Darkenbayev
Floods are among the most destructive natural phenomena, significantly impacting the environment, economy, infrastructure, and public safety. Effective forecasting of such emergencies is crucial, especially in the context of global climate change and the increasing population density in coastal and low-lying areas. This work aims to develop and analyze flood forecasting models using machine learning algorithms within the Orange visual software environment. The study employed five algorithms: Random Forest, Decision Tree, Gradient Boosting, AdaBoost, and K-Nearest Neighbors. A comparative analysis of these models was conducted using key classification metrics, including Accuracy, Precision, Recall, and AUC. Special emphasis was placed on visualizing the results and assessing the usability of models within the Orange environment. The findings can be valuable for educational purposes, such as teaching students to work with real environmental data, as well as for practical applications in early warning systems and flood monitoring.
Некоторые метрики заблокированы вашими
настройками согласия
Electrocardiographic Signatures of Dysglycaemia: Mechanistic Foundations, Digital Biomarkers, and Artificial Intelligence for Non-Invasive Diabetes Risk Stratification
(Multidisciplinary Digital Publishing Institute, 2026-03-18)
Chingiz A. Alimbayev
;
Zhadyra N. Alimbayeva
;
Kassymbek Ozhikenov
;
Kairat Karibayev
;
Zhansila Orynbay
Diabetes mellitus is projected to affect more than 1.3 billion people worldwide by 2050, with millions remaining undiagnosed or in a prediabetic state. Cardiovascular complications account for nearly half of diabetes-related deaths, highlighting the need for scalable tools capable of identifying metabolic dysregulation before irreversible cardiac damage develops. This review synthesizes current mechanistic, clinical, and computational evidence linking diabetes to cardiac electrophysiological remodeling and examines electrocardiography (ECG) as a non-invasive modality for early detection of dysglycaemia. Chronic hyperglycaemia, insulin resistance, oxidative stress, microvascular dysfunction, and cardiac autonomic neuropathy collectively contribute to measurable ECG alterations, including QT/QTc prolongation, increased QT dispersion, changes in Tp–e indices, and reduced heart rate variability. These changes often precede overt cardiovascular disease and correlate with glycaemic burden and diabetes duration. Recent advances in signal processing and artificial intelligence have expanded the diagnostic potential of ECG. Both classical machine learning approaches and large-scale deep learning models demonstrate that ECG contains latent signatures associated with incident type 2 diabetes and glycaemic status. Despite promising results, heterogeneity in study design, limited representation of prediabetes, and lack of standardized validation frameworks remain major barriers to clinical translation. Prospective, multi-ethnic studies are needed to establish ECG-based screening as a reliable component of early diabetes detection strategies.
Цитирования (OpenAlex) 1
Некоторые метрики заблокированы вашими
настройками согласия
A Structured Critical Review of Machine Learning Approaches for ECG-Based Detection of Dysglycemia and Their Translational Readiness
(Multidisciplinary Digital Publishing Institute, 2026-05-27)
Zhadyra N. Alimbayeva
;
Chingiz A. Alimbayev
;
Kassymbek Ozhikenov
;
Aiman K. Ozhikenova
;
Ussen Shylmyrza
This structured critical review provides a comparative and analytically grounded overview of machine learning (ML) approaches for electrocardiography (ECG)-based detection of dysglycemia, with a specific focus on translational readiness for clinical screening. A structured literature search across PubMed, Scopus, Web of Science, and IEEE Xplore identified 183 records, of which 17 studies were included following predefined screening criteria and PRISMA-guided selection principles. The included studies demonstrate substantial heterogeneity in dataset size (ranging from 25,000 subjects), ECG acquisition modalities (single-lead, 12-lead, wearable), feature representations (raw signals, heart rate variability, engineered features), and ML strategies (classical algorithms, deep learning, and multimodal models). Reported model performance is generally high, with accuracy values frequently exceeding 0.85 and area under the curve (AUC) ranging from 0.78 to 0.99. Smaller experimental studies often report inflated performance (up to 96–99% accuracy), whereas large-scale population-based investigations demonstrate more moderate but clinically plausible results (AUC ≈ 0.80–0.85). External validation, a key requirement for clinical applicability, was performed in only a limited subset of studies (approximately 12%). From a physiological perspective, ML models exploit ECG alterations associated with dysglycemia, including reduced heart rate variability, QT interval prolongation, and changes in ventricular depolarization and repolarization dynamics. However, the relationship between metabolic dysfunction and ECG signals remains indirect. A key finding of this review is the mismatch between reported predictive performance and translational readiness. The majority of studies (≈65–70%) are classified as early-stage (Level 1–2 or 2–3), relying on small, single-center datasets and internal validation. Only a minority of studies achieve near-translational maturity (Level 4), characterized by large-scale datasets and external validation. ECG-based dysglycemia detection represents a promising non-invasive and scalable screening paradigm. However, its clinical translation is constrained by the lack of standardized ECG acquisition protocols, limited dataset diversity, insufficient external validation, and fragmented methodological approaches. Future research should prioritize large multi-center datasets, standardized feature extraction pipelines, hybrid interpretable models, and prospective validation to enable robust, generalizable, and clinically deployable screening systems.

Қазақ ұлттық қыздар педагогикалық университеті / Казахский национальный женский педагогический университет

Просмотр

Фильтры

Настройки

Сортировать по

результатов на странице

Результаты поиска

QyzPU CRIS

Университет

Данные