Ship acoustic signal classification is essential for vessel identification, underwater navigation, and maritime security. Traditional methods struggle with the non-stationary nature and noise of ship acoustic signals, reducing classification accuracy. To address these challenges, we propose an automated pipeline that integrates Empirical Mode Decomposition (EMD), adaptive wavelet filtering, feature selection, and a Bayesian-optimized Random Forest classifier. The framework begins with EMD-based decomposition, where the most informative Intrinsic Mode Functions (IMFs) are selected using Signal-to-Noise Ratio (SNR) analysis. Wavelet filtering is applied to reduce noise, with optimal wavelet parameters determined via SNR and Stein’s Unbiased Risk Estimate (SURE) criteria. Features extracted from statistical, frequency domain (FFT), and time–frequency (wavelet) metrics are ranked, and the top 11 most important features are selected for classification. A Bayesian-optimized Random Forest classifier is trained using the extracted features, ensuring optimal hyperparameter selection and reducing computational complexity. The classification results are further enhanced using a majority voting strategy, improving the accuracy of the final object identification. The proposed approach demonstrates high accuracy, improved noise suppression, and robust classification performance. The methodology is scalable, computationally efficient, and suitable for real-time maritime applications.

Віртуальні освітні середовища стають основним інструментальним засобом сучасної освіти, який відповідає мінливим вимогам сьогодення. Однією із основних функціональних вимог до віртуальних освітніх середовищ є необхідність ефективної інтеграції із державними електронними сервісами України, та освітніми програмними платформами, які вже впроваджені в освітній процес відповідних закладів вищої освіти. Справжнім викликом став процес контролю впровадження бізнес процесів закладу вищої освіти у віртуальне освітнє середовище. Для вирішення цих задач пропонуєтся створення інтегрованої системи архівування та реєстрації даних, на основі формату JSON.

У статті представлено розробку та застосування гібридної моделі для оцінювання ефективності метрик близькості у високорозмірних даних експресії генів, яка інтегрує методи інтелектуального аналізу даних та машинного навчання в єдиній комплексній структурі. Основна увага приділяється порівняльному аналізу кореляційної відстані, метрик, заснованих на взаємній інформації, та метрики Васерштейна, з метою визначення їхньої ефективності для завдань кластеризації та класифікації. Отримані результати демонструють, що кореляційна відстань і метрика Васерштейна забезпечують високу точність та стабільність, що робить їх придатними для інтеграції з діагностичними системами. Для підвищення надійності класифікації реалізовано стекінг-модель, яка компенсує можливі помилки кластеризації та забезпечує стабільну продуктивність незалежно від використаної метрики та структури кластерів. Запропонований конвеєр обробки даних забезпечує автоматизований, стандартизований і масштабований аналіз великих масивів даних експресії генів, що узгоджується із принципами персоналізованої медицини. Завдяки можливості ранньої діагностики захворювань та підтримці розроблення індивідуальних стратегій лікування отримані результати мають велике значення для вдосконалення сучасних діагностичних систем у межах концепції прецизійної медицини. Застосування гібридних підходів дозволяє ефективно поєднувати переваги різних методів оцінювання подібності та класифікації, що сприяє підвищенню точності прогнозування на основі даних експресії генів. Запропонований методологічний підхід може бути використаний у біоінформатиці для аналізу складних біологічних систем, оптимізації процесів обробки генетичних даних і розроблення нових алгоритмічних рішень у сфері медичної діагностики. Такий підхід сприяє адаптації сучасних інформаційних технологій для виявлення біомаркерів захворювань, що забезпечує інтеграцію отриманих результатів у клінічну практику та підтримує розвиток персоналізованих методів лікування.

Мета статті – аналіз якості платформи KSU24 як ефективного інструмента, що позитивно впливає на організацію вступної кампанії. Методи. Для теоретичного обґрунтування актуальності визначеної проблематики застосовано методи аналізу літературних джерел, що висвітлюють роль цифрових технологій. У статті використано методи опитування серед абітурієнтів університету з метою вивчення ефективності використання віртуального освітнього середовища (далі – ВОС) KSU24. Результати. Останніми роками Україна робить значні кроки в напрямі цифровізації. Заклади вищої освіти, кожний у своєму темпі, просуваються у вирішенні проблем запровадження інноваційних освітніх технологій, формування в здобувачів цифрової грамотності. У статті подано оцінку якості використання ВОС KSU24 як авторської розробки науковими працівниками Херсонського державного університету. Обґрунтовується факт, що ВОС дає можливість оптимізувати комунікацію між абітурієнтами приймальною комісією університету, сприяє значному підвищенню доступності, гнучкості й ефективності процесу вступу, зокрема, у кризових умовах. Автори розкривають функціональні можливості ВОС KSU24, доступні для всіх суб’єктів освітнього процесу. Увага приділяється етапності процесу взаємодії здобувачів із ВОС, зокрема розкрито особливості першого, коли користувачі виступають як абітурієнти. У статті проаналізовано результати опитування вступників до університету, де позитивно оцінено доступність, якість у використанні запропонованої платформи. Більшість респондентів виявили бажання працювати на KSU24 й у процесі навчання за обраною спеціальністю. Висновки. Цифровізація освіти, зокрема впровадження ВОС на кшталт KSU24, є стратегічно важливим елементом для забезпечення якісного освітнього процесу й системою керування в закладі освіти. У статті доведено важливість функцій платформи для значної допомоги вступникам як в оформленні документів, так і в необхідних консультаціях із проблем, що виникають у ході вступної кампанії. Результати дослідження підтверджують необхідність подальшого розвитку й удосконалення цифрової платформи ВОС KSU24 для забезпечення доступності, прозорості й високої якості освіти в майбутньому.

Feedback is one of the most effective tools for quality control in education, used by higher education institutions in Ukraine and around the world. It enables the collection of information regarding students' perception of educational materials and facilitates analysis of learning outcomes for a better understanding of the current effectiveness of a specific discipline or educational component within an academic program, with the goal of improving the quality of the discipline and, thus, the overall academic program. Feedback can relate to an entire discipline, a specific semester, the module in which the discipline is taught, or even an individual class session. A wide range of mathematical methods and models, as well as ready-made software libraries, allow for qualitative analysis of feedback results, with most requiring an adequate amount of information for processing. However, in Ukrainian higher education institutions, including Kherson State University, there are academic groups in certain specialties where the number of students is insufficient for applying most analytical methods, especially at the master’s level or higher, or in elective disciplines. To obtain information on learning effectiveness in these groups, equivalent to that in groups with a sufficient number of students, specialized analysis methods are needed. The article describes methods for analyzing feedback results in the form of surveys within the KSU24 system, allowing for consideration of relatively small student groups. It discusses approaches for the software implementation of relevant algorithmic methods and necessary architectural solutions for building a survey module within the KSU24 system. A key functional requirement of this module is ensuring anonymity in the process, as integrity among participants is critically important for obtaining high-quality feedback, especially when processing a limited number of results.