The problem of multiple zones in computer vision, including pattern recognition in the agricultural sector, occupies a special place in the field of artificial intelligence in the modern aspect. The object of the study is the recognition of weeds based on deep learning and computer vision. The subject of the study is the effective use of neural network models in training, involving classification and processing using datasets of plants and weeds. The relevance of the study lies in the demand of the modern world in the use of new information technologies in industrial agriculture, which contributes to improving the efficiency of agro-industrial complexes. The interest of private agricultural enterprises and the state is caused by an increase in the yield of agricultural products. To recognize weeds, machine learning methods, in particular neural networks, were used. The process of weed recognition is described using the Mark model, as a result of processing 1,562 pictures, segmented images are obtained. Due to the annual increase in weeds on the territory of Kazakhstan and in the course of solving these problems, a new plant recognition code was developed and written in the scanner software module. The scanner, in turn, provides automatic detection of weeds. Based on the results of a trained neural network based on the MaskRCNN neural network model written in the scanner software module meeting new time standards, the automated plant scanning and recognition system was improved. The weed was recognized in an average of 0.2 seconds with an accuracy of 89 %, while the additional human factor was completely removed. The use of new technology helps to control weeds and contributes to solving the problem of controlling them Проблема множинності зон у комп'ютерному зорі, зокрема розпізнавання образів в агросекторі займає особливе місце в області штучного інтелекту у сучасному аспекті. Об'єктом дослідження є розпізнавання бур'янових рослин на основі глибокого навчання і комп'ютерного зору. Предметом дослідження є ефективне використання моделей нейронних мереж у навчанні, що включає в себе класифікацію та обробку з використанням дата сетів рослин та бур'янів. Актуальність дослідження полягає у вимозі сучасного світу щодо застосування нових інформаційних технологій в агропромисловій сфері, що сприяє підвищенню ефективності роботи агропромислових комплексів. Інтерес приватних сільгосппідприємств та держави викликаний збільшенням зростання врожайності сільгосппродуктів. Для розпізнавання бур'янів використовувалися методи машинного навчання, зокрема нейронні мережі. За допомогою моделі Марка описаний процес розпізнавання бур'янів, в результаті обробки 1562 картин отримані сегментовані зображення. У зв'язку зі щорічним посиленням бур'янів на території Казахстану і в ході вирішення цих проблем розроблений новий код для розпізнавання рослин та прописаний в програмний модуль сканера. Сканер, в свою чергу, забезпечує автоматичне виявлення бур'янів. За результатами навченої нейронної мережі на основі моделі нейромережі MaskRCNN, прописаної в програмному модулі сканера, що відповідає новим стандартам часу, покращена автоматизована система сканування та розпізнавання рослин. Бур'янову рослину було розпізнано в середньому за 0,2 секунди з показником точності 89 %, при цьому додатковий людський фактор був повністю видалений. Застосування нових технологій допомагає боротися з бур'янами та сприяє вирішенню проблеми боротьби з ними

This study investigates the application of different ML methods for predicting pest outbreaks in Kazakhstan for grain crops. Comprehensive data spanning from 2005 to 2022, including pest population metrics, meteorological data, and geographical parameters, were employed to train the neural network for forecasting the population dynamics of Phyllotreta vittula pests in Kazakhstan. By evaluating various network configurations and hyperparameters, this research considers the application of MLP, MT-ANN, LSTM, transformer, and SVR. The transformer consistently demonstrates superior predictive accuracy in terms of MSE. Additionally, this work highlights the impact of several training hyperparameters such as epochs and batch size on predictive accuracy. Interestingly, the second season exhibits unique responses, stressing the effect of some features on model performance. By advancing our understanding of fine-tuning ANNs for accurate pest prediction in grain crops, this research contributes to the development of more precise and efficient pest control strategies. In addition, the consistent dominance of the transformer model makes it suitable for its implementation in practical applications. Finally, this work contributes to sustainable agricultural practices by promoting targeted interventions and potentially reducing reliance on chemical pesticides.

Research in the field of semantic text analysis begins with the study of the structure of natural language. The Kazakh language is unique in that it belongs to agglutinative languages and requires careful study. The object of this study is the text in the Kazakh language. Existing approaches to the study of the semantic analysis of text in the Kazakh language do not consider text analysis using the methods of thematic modeling and learning of neural networks. The purpose of this study is to determine the quality of a topic model based on the LDA (Latent Dirichlet Allocation) method with Gibbs sampling, through neural network learning. The LDA model can determine the semantic probability of the keywords of a single document and give them a rating score. To build a neural network, one of the widely used LSTM architectures was used, which has proven itself well in working with NLP (Natural Language Processing). As a result of learning, it is possible to see to what extent the text was trained and how the semantic analysis of the text in the Kazakh language went. The system, developed on the basis of the LDA model and neural network learning, combines the detected keywords into separate topics. In general, the experimental results showed that the use of deep neural networks gives the expected results of the quality of the LDA model in the processing of the Kazakh language. The developed model of the neural network contributes to the assessment of the accuracy of the semantics of the used text in the Kazakh language. The results obtained can be applied in systems for processing text data, for example, when checking the compliance of the topic and content of the proposed texts (abstracts, term papers, theses, and other works).

Development of the algorithm of keyword search in the Kazakh language text corpus

Computer Simulation of Control of High-Order Nonlinear Systems using Feedback

Бұл мақалада жаппай ашық онлайн курстарды (ЖАОК) жүзеге асыратын платформаның моделін құрудың негізгі аспектілері қарастырылады. Авторлар білім беру саласында ЖАОК-ның маңыздылығын атап өтіп, олардың тиімді жүзеге асырылуы үшін қажетті талаптарды талдайды. Зерттеу барысында Coursera, edX, Udacity, Stepik, enbek.kz сияқты платформалар салыстырылып, олардың функционалдығы, интерфейс ыңғайлылығы, мультимедиа мүмкіндіктері және пайдаланушы қажеттіліктерін қанағаттандыру деңгейі зерттелген. Мақалада ЖАОК платформасының концептуалды моделін құруға арналған ADDIE моделі қолданылған. ЖАОК платформасының пайдаланушылары ретінде студенттер, оқытушылар және әкімшілердің қажеттіліктері ескеріліп, интерфейс дизайны, оқу материалдарын басқару, бағалау жүйесі, сертификаттау модулі сияқты негізгі функционалдық модульдер сипатталған. Сонымен қатар, платформада аналитикалық құралдарды енгізу, мультимедиа контентін қолдану және адаптивті оқыту жүйесін құру ұсынылады. Авторлар ЖАОК платформасының тиімділігін арттыру үшін пайдаланушы интерфейсінің қарапайымдылығы, мобильді құрылғыларға бейімділігі және деректер қауіпсіздігін қамтамасыз ету сияқты мәселелерге ерекше назар аударады. Сауалнама нәтижелері пайдаланушылар үшін курстардың әртүрлілігі мен олардың қолжетімділігінің маңыздылығын көрсеткен. Мақалада ұсынылған концептуалды модель ЖАОК платформаларын дамыту үшін берік негіз болып табылады және Қазақстандағы онлайн білім берудің сапасын арттыруға ықпал етеді.