Горлаківський, Олександр Сергійович2025-12-252025-12-252025Горлаківський О. С. Локалізація та відстеження активностей в приміщеннях за допомогою інерційних мобільних сенсорів : кваліфікаційна бакалаврська робота ... 122 Комп'ютерні науки. Київ, 2025. 112 с.https://dspace.e-u.edu.ua/handle/123456789/1427The main objective of the study was to develop an integrated system that combines data collection, processing, classification, and activity localization in a zoned environment. Modern machine learning algorithms, particularly Random Forest, were utilized to achieve high activity classification accuracy (≈95%). The K-Means clustering algorithm enabled efficient localization of activities within specific zones, such as "Kitchen," "Living Room," and "Bedroom." The results were visualized through graphs of real and predicted activities, as well as activity zone maps, allowing for a comprehensive assessment of the system's effectiveness.Основна мета дослідження полягала у створенні інтегрованої системи, яка поєднує збір, обробку, класифікацію даних та локалізацію активностей у зонованому просторі. Для реалізації були використані сучасні алгоритми машинного навчання, зокрема Random Forest, що дозволило досягти високої точності класифікації активностей (≈95%). Алгоритм кластеризації K-Means забезпечив ефективну локалізацію активностей у межах зон приміщення, таких як "Кухня", "Вітальня" та "Спальня". Отримані результати візуалізовано у вигляді графіків реальних і передбачених активностей, а також карти зон із активностями, що дало змогу оцінити ефективність системи.локалізаціякласифікація активностейінерційні мобільні сенсориrandom forestрозумні будинкимоніторингзонований простіробробка данихавтоматизаціяlocalizationactivity classificationinertial mobile sensorssmart homesmonitoringzoned environmentdata processingautomationK-MeansThesis