💸 Как сделать бизнес проще, а карман толще?

Тот, кто работает в сфере услуг, знает — без ведения записи клиентов никуда. Мало того, что нужно видеть свое раписание, но и напоминать клиентам о визитах тоже. Проблема в том, что средняя цена по рынку за такой сервис — 800 руб/мес или почти 15 000 руб за год. И это минимальный функционал. Нашли самый бюджетный и оптимальный вариант: сервис VisitTime.
⚡️ Для новых пользователей первый месяц бесплатно. А далее 290 руб/мес, это в 3 раза дешевле аналогов. За эту цену доступен весь функционал: напоминание о визитах, чаевые, предоплаты, общение с клиентами, переносы записей и так далее.
✅ Уйма гибких настроек, которые помогут вам зарабатывать больше и забыть про чувство «что-то мне нужно было сделать».
Сомневаетесь? нажмите на текст, запустите чат-бота и убедитесь во всем сами!

Завдання на курсову роботу

Варіант 1. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· кількість ознак розпізнавання - 16;

· кількість реалізацій образу одного класу -30;

· інформаційний критерій оптимізації за Шенноном.

Варіант 2. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· кількість ознак розпізнавання - 16.

· кількість реалізацій образу одного класу -30.

· інформаційний критерій оптимізації за Кульбаком.

Варіант 3. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· кількість ознак розпізнавання - 16.

· кількість реалізацій образу одного класу -30.

· інформаційний критерій оптимізації за Шенноном.

Варіант 4. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:

· кількість ознак розпізнавання - 16;

· кількість реалізацій образу одного класу -30;

· інформаційний критерій оптимізації за Кульбаком.

Варіант 5. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 100 100 пікселів;

· інформаційний критерій оптимізації за Шенноном.

Варіант 6. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:

· рецепторне поле 100 100 пікселів;

· інформаційний критерій оптимізації за Кульбаком.

Варіант 7. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 150 150 пікселів;

· інформаційний критерій оптимізації за Шенноном.

Варіант 8. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 150 150 пікселів;

· інформаційний критерій оптимізації за Куль баком.

Варіант 9. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 100 100 пікселів;

· інформаційний критерій оптимізації за Шенноном.

Варіант 10. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 100 100 пікселів;

· інформаційний критерій оптимізації за Кульбаком.

Варіант 11. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 150 150 пікселів;

· інформаційний критерій оптимізації за Шенноном

Варіант 12. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 150 150 пікселів;

· інформаційний критерій оптимізації за Кульбаком.

Варіант 13. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 200 200 пікселів;

· інформаційний критерій оптимізації за Шенноном.

Варіант 14. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 200 200 пікселів;

· інформаційний критерій оптимізації за Куль баком.

Варіант 15. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 200 200 пікселів;

· інформаційний критерій оптимізації за Шенноном.

Варіант 16. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· рецепторне поле 200 200 пікселів;

· інформаційний критерій оптимізації за Кульбаком.

Варіант 17. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· кількість ознак розпізнавання - 18;

· кількість реалізацій образу одного класу -30;

· інформаційний критерій оптимізації за Шенноном.

Варіант 18. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· кількість ознак розпізнавання - 18.

· кількість реалізацій образу одного класу -30.

· інформаційний критерій оптимізації за Кульбаком.

Варіант 19. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:

· кількість ознак розпізнавання - 15.

· кількість реалізацій образу одного класу -30.

· інформаційний критерій оптимізації за Шенноном.

Варіант 20. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:

· кількість ознак розпізнавання - 15;

· кількість реалізацій образу одного класу -30;

· інформаційний критерій оптимізації за Кульбаком.