http://repository.ukd.edu.ua/xmlui/handle/123456789/284 2026-06-03T20:47:25Z http://repository.ukd.edu.ua/xmlui/handle/123456789/2242 Оновлення освітніх програм з інженерії програмного забезпечення з урахуванням теорії та практики нейронних мереж на базі Google Colab Іванов, Олександр Олександрович У статті досліджується критична проблема невідповідності чинних освітніх стандартів вищої освіти зі спеціальності «Інженерія програмного забезпечення» стрімким темпам розвитку ІТ-індустрії. Зокрема, наголошується, що стандарти бакалаврського та магістерського рівнів, затверджені у 2018 та 2020 роках відповідно, не повною мірою враховують такі новітні парадигми, як генеративний штучний інтелект, хмарні обчислення, мікросервісні архітектури та DevOps-підходи. Увага акцентується на зростаючих технічних вимогах до кібербезпеки та хмарних обчислень, де сучасні моделі глибокого навчання (наприклад, LSTM/GNN) стають незамінними для виявлення вторгнень та управління складною IoT-інфраструктурою. Для подолання цього розриву кафедрою інформаційних технологій ЗВО «Університет Короля Данила» розроблено та впроваджено експериментальний навчальний модуль з основ нейронних мереж на базі хмарного середовища Google Colab. Ця платформа дозволяє студентам працювати з реальними інструментами (Python, TensorFlow/Keras, NumPy) та отримувати доступ до обчислювальних ресурсів GPU без необхідності розгортання дорогої локальної інфраструктури. Навчальний процес структурований у форматі інтерактивного блокнота та охоплює весь життєвий цикл роботи з моделлю: від підготовки даних (на прикладі датасету MNIST) до її побудови, тренування, тестування та візуалізації результатів. Результати практичної апробації модуля продемонстрували значний освітній ефект: рівень розуміння машинного навчання у студентів трансформувався з теоретичного у практико-орієнтований, а використання хмарних інструментів стало системним. Студенти продемонстрували здатність до глибокого аналізу помилок класифікації та рефлексії щодо якості моделі. Стаття обґрунтовує необхідність інституційних змін для подолання бар'єрів, пов'язаних із застарілими стандартами, які наразі змушують викладачів інтегрувати інноваційні дисципліни лише як вибіркові компоненти. Надано рекомендації щодо комплексного оновлення освітніх програм, перепідготовки викладачів та створення методичної бази для раннього залучення студентів до вивчення штучного інтелекту. Інтеграція Google Colab розглядається як стратегічний крок до формування конкурентоспроможних фахівців у епоху цифрової трансформації. This article investigates the critical issue of the discrepancy between current higher education standards in "Software Engineering" and the rapid development of the IT industry. Specifically, it emphasizes that the bachelor's and master's degree standards, approved in 2018 and 2020 respectively, do not fully incorporate cutting-edge paradigms such as generative artificial intelligence, cloud computing, microservice architectures, and DevOps practices. Attention is drawn to the growing technical requirements in cybersecurity and cloud computing, where modern deep learning models (e.g., LSTM/GNN) are becoming indispensable for intrusion detection and managing complex IoT infrastructures. To bridge this systemic gap, the Information Technologies Department at King Danylo University developed and implemented an experimental instructional module on the fundamentals of neural networks using the cloud-based Google Colab environment. This platform enables students to work with industry-standard tools (Python, TensorFlow/Keras, NumPy) and access GPU computational resources without the need to deploy expensive local infrastructure. The learning process is structured as an interactive notebook covering the entire lifecycle of model development: from data preparation (using the MNIST dataset) to model construction, training, testing, and visualizing results. The results of the module's practical testing demonstrated a significant educational impact: students' understanding of machine learning transitioned from purely theoretical to practice-oriented, and their use of cloud tools became systematic. Students showed a high capacity for deep analysis of classification errors and analytical reflection regarding model quality. The article substantiates the need for institutional changes to overcome barriers associated with outdated standards, which currently force educators to integrate innovative disciplines only as elective components. Comprehensive recommendations are provided for updating educational programs, retraining academic staff, and establishing a methodological foundation to involve students in artificial intelligence studies at an early stage. The integration of Google Colab is positioned as a strategic step toward shaping highly competitive software engineering professionals capable of thriving in the era of digital transformation. Іванов О. О. Оновлення освітніх програм з інженерії програмного забезпечення з урахуванням теорії та практики нейронних мереж на базі Google Colab = Updating software engineering educational programs with neural network theory and practice based on Google Colab // Наука і техніка сьогодні: електронний фаховий журнал, 2026, №3(57). С. 2450-2459: рис.2, табл. ORCID: https://orcid.org/0000-0003-4678-7956 2026-01-01T00:00:00Z http://repository.ukd.edu.ua/xmlui/handle/123456789/2241 Як корпорації малюють майбутнє, якого не буде: від скляних кнопок до штучного інтелекту Іванов, Олександр Олександрович Іванов О. Як корпорації малюють майбутнє, якого не буде: від скляних кнопок до штучного інтелекту // Синергія інтернет-технологій: матеріали 1 Всеукраїнської науково-практичної конференції (м. Івано-Франківськ, 26 березня 2026 року) / відп. за вип.: Є. О. Письменський; упоряд.: Д. Л. Мотульська; коректор: Д. Л. Мотульська. Івано-Франківськ: ЗВО «Університет Короля Данила», 2026. С. 59-61. ORCID: https://orcid.org/0000-0003-4678-7956 2026-03-26T00:00:00Z http://repository.ukd.edu.ua/xmlui/handle/123456789/2240 Алгоритмічна експлуатація уваги: порівняльний аналіз архітектур та когнітивні ризики SFV-платформ Іванов, Олександр Олександрович Іванов О. Алгоритмічна експлуатація уваги: порівняльний аналіз архітектур та когнітивні ризики SFV-платформ // Синергія інтернет-технологій: матеріали 1 Всеукраїнської науково-практичної конференції (м. Івано-Франківськ, 26 березня 2026 року) / відп. за вип.: Є. О. Письменський; упоряд.: Д. Л. Мотульська; коректор: Д. Л. Мотульська. Івано-Франківськ: ЗВО «Університет Короля Данила», 2026. С. 58-59. ORCID: https://orcid.org/0000-0003-4678-7956 2026-03-26T00:00:00Z http://repository.ukd.edu.ua/xmlui/handle/123456789/2239 Можливості та перспективи модифікації методики тривимірного моделювання мікроструктури Іванов, Олександр Олександрович; Шкатуляк, Василь Васильович; Зубко, Станіслав Романович У статті представлено інноваційний підхід до тривимірного моделювання мікроструктури матеріалів, що ґрунтується на серійному аналізі зображень, отриманих методом пошарового полірування. Такий підхід дозволяє формувати високоточні 3D-моделі, які достовірно відображають просторову будову матеріалу, долаючи обмеження класичних методів металографії. Запропонована методика доповнює та розширює можливості чисельного моделювання, забезпечуючи більш детальний аналіз мікроструктурних особливостей матеріалів. У роботі проведено ґрунтовний аналіз сучасних підходів до прогнозування фазового складу та механічних властивостей матеріалів, зокрема таких методів, як CALPHAD, скінченно-елементний аналіз (FEM) та молекулярна динаміка (Molecular Dynamics). Розглянуто їхні ключові переваги, обмеження та сфери застосування. Запропонований метод тривимірного моделювання дозволяє отримати детальну інформацію про просторовий розподіл частинок, фазових включень і дефектів, що є надзвичайно важливим для контролю якості матеріалів та оптимізації їхніх експлуатаційних характеристик. Особливу увагу приділено перспективам подальшого розвитку методу, зокрема автоматизації процесу реконструкції, інтеграції алгоритмів машинного навчання для покращення точності та швидкості аналізу, а також оцінці похибок вимірювань для підвищення надійності результатів. Результати дослідження підтверджують ефективність запропонованого підходу для дослідження реальних матеріалів, що відкриває нові можливості для наукових і прикладних завдань у галузі матеріалознавства. The article presents an innovative approach to three-dimensional modeling of the microstructure of materials, based on serial analysis of images obtained by the layer-by-layer polishing method. This approach allows you to form high-precision 3D models that reliably reflect the spatial structure of the material, overcoming the limitations of classical metallography methods. The proposed technique complements and expands the capabilities of numerical modeling, providing a more detailed analysis of the microstructural features of materials. The paper provides a thorough analysis of modern approaches to predicting the phase composition and mechanical properties of materials, in particular, such methods as CALPHAD, finite element analysis (FEM) and molecular dynamics (Molecular Dynamics). Their key advantages, limitations and areas of application are considered. The proposed three-dimensional modeling method allows you to obtain detailed information about the spatial distribution of particles, phase inclusions and defects, which is extremely important for controlling the quality of materials and optimizing their operational characteristics. Particular attention is paid to the prospects for further development of the method, in particular, automation of the reconstruction process, integration of machine learning algorithms to improve the accuracy and speed of analysis, as well as the assessment of measurement errors to increase the reliability of the results. The results of the study confirm the effectiveness of the proposed approach for the study of real materials, which opens up new opportunities for scientific and applied tasks in the field of materials science. Іванов, О. О., Шкатуляк, В. В., Зубко, С. Р. (2025). Можливості та перспективи модифікації методики тривимірного моделювання мікроструктури = Improvement of the algorithm of geometric parameter definition in plane using scanline method // Методи та прилади контролю якості, 1(54), 29-36: табл.1, рис.4. ORCID: https://orcid.org/0000-0003-4678-7956 2025-01-01T00:00:00Z