https://elbib.ru/issue/feed Электронные библиотеки 2021-09-13T09:42:48+03:00 Редакция журнала «Электронные Библиотеки» ljmeditor@gmail.com Open Journal Systems <div id="journalDescription"> <p><strong>Дорогой посетитель!</strong></p> <p>Вы находитесь на сайте электронного научного журнала «Электронные библиотеки», посвященного оперативному отражению новых результатов теории и практики использования в России и за рубежом электронных библиотек – распределенных информационных систем, позволяющих обрабатывать, хранить, распространять, анализировать и организовывать поиск в разнообразных коллекциях электронных документов (текст, графика, аудио, видео и др.) через глобальные сети передачи данных. Журнал нацелен на формирование российского сообщества учёных, развивающих названное научное направление, и является в настоящее время единственным российским изданием, последовательно и систематически освещающим наиболее актуальные вопросы, связанные с развитием технологий электронных библиотек, которые в настоящее время становятся всё более существенными для совершенствования стандартов науки, экономики, образования, здравоохранения и качества жизни вообще. Научные электронные библиотеки играют важную роль в реализации активно поддерживаемых научным сообществом инициатив открытого доступа к результатам исследований, формировании открытой науки и глобальных репозиториев представления знаний и данных. Материалы журнала направлены на формирование российского сообщества ученых, экспертов и практиков, целенаправленно занимающимися вопросами использования технологий электронных библиотек для социально-экономического развития.</p> <p>Аудитория журнала включает широкий круг специалистов в сфере создания и использования информационно-коммуникационных технологий; ученых и исследователей; работников сфер образования и культуры; частных лиц, интересующихся проблемами развития современного информационного общества. Материалы, публикуемые в журнале, проходят строгую процедуру рецензирования и экспертного отбора.</p> </div> https://elbib.ru/article/view/688 Оценка усталости человека методом анализа фотографий лица с помощью сверточных нейронных сетей 2021-06-15T23:36:20+03:00 Азат Ильгизович Байрамов bairamovazat@gmail.com Тимур Русланович Фасхутдинов groboment@gmail.com Денис Марселевич Тимергалин qwisan@gmail.com Рустем Рафикович Ямиков jamrustem@yandex.ru Виталий Рудольфович Муртазин dweyker@bk.ru Никита Алексеевич Туманов grooov173@yandex.ru <p>Представлены решения проблемы распознавания усталости человека по изображению его лица. Сначала рассмотрены уже существующие алгоритмы, а затем предложена и реализована модель собственной архитектуры. В заключении приведены итоговые показатели работы модели.</p> 2021-09-12T00:00:00+03:00 Copyright (c) 2021 Электронные библиотеки https://elbib.ru/article/view/698 Интернет-портал «История земли: геологический ракурс». Высокотехнологичная популяризация научных геологических знаний 2021-07-14T14:37:13+03:00 Александр Сергеевич Еременко academy21@gmail.com Вера Викторовна Наумова Naumova_new@mail.ru Алексей Андреевич Загумённов truepikvic@gmail.com Виталий Сергеевич Ерёменко vitaer@gmail.com Анастасия Николаевна Злобина anastasiyazl@mail.ru <p>Работа посвящена разработке высокотехнологичного научно-популярного интернет-портала «История Земли: геологический ракурс». Разрабатываемый ресурс ставит своей основной целью популяризацию современных научных геологических знаний с использованием научно-популярного мультимедиа-контента и программного инструментария для интерактивного взаимодействия с ним. Интернет-ресурс предназначен для школьников и студентов, а также широкого круга пользователей интернета.</p> 2021-09-12T00:00:00+03:00 Copyright (c) 2021 Электронные библиотеки https://elbib.ru/article/view/699 Генерация трехмерных синтетических датасетов 2021-09-03T17:55:06+03:00 Влада Владимировна Кугуракова vlada.kugurakova@gmail.com Виталий Денисович Абрамов vitaly.d.abramov@gmail.com Даниил Иванович Костюк xdxnxkx@gmail.com Регина Айратовна Шараева r.sharaeva3496@gmail.com Рим Радикович Газизов starkindustries14579@gmail.com Мурад Рустэмович Хафизов murkorp@gmail.com <p>Работа посвящена описанию процесса разработки универсального инструментария для генерации синтетических данных для обучения разных нейронных сетей. Используемый подход показал свою успешность и эффективность в решении различных задач, в частности, обучения нейросети для распознавания покупательского поведения внутри магазинов через камеры наблюдения и пространств устройствами дополненной реальности без использования вспомогательных инфракрасных камер. Обобщающие выводы позволяют спланировать дальнейшее развитие технологий генерации трехмерных синтетических данных.</p> 2021-09-12T00:00:00+03:00 Copyright (c) 2021 Электронные библиотеки https://elbib.ru/article/view/687 Система информационного мониторинга контрагентов 2021-06-08T13:46:46+03:00 Дмитрий Леонидович Кузьмин to_kdima@mail.ru Карен Альбертович Григорян karigri@yandex.ru <p>В условиях всевозрастающих информатизации, автоматизации и цифровизации бизнеса возникают новые схемы недобросовестных действий со стороны как юридических, так и физических лиц. В связи с этим остро встает проблема быстрого, эффективного и качественного выявления информации о потенциальном либо действующим контрагенте, решение которой позволит оперативно принять правильные управленческие решения.</p> <p>В статье предложен один из способов решения данной проблемы – разработка системы информационного мониторинга контрагентов, которая позволит оперативно выявлять и анализировать информацию об их деятельности.</p> 2021-09-12T00:00:00+03:00 Copyright (c) 2021 Электронные библиотеки https://elbib.ru/article/view/686 Извлечение данных из сканированных документов со сходной структурой 2021-05-31T12:56:45+03:00 Рустем Дамирович Саитгареев srustem3@yandex.ru Булат Рифатович Гиниятуллин bulat.giniiatullin@gmail.com Владислав Юрьевич Топоров vladislavtoporov@gmail.com Артур Александрович Атнагулов i@atnartur.ru Фарид Радикович Аглямов aglyamov.fox@gmail.com <p>На текущий момент времени значительная часть передаваемых и хранимых данных не структурирована. Количество неструктурированных данных растет большими темпами каждый год, несмотря на то, что по таким данным трудно производить поиск, к ним нельзя совершать запросы и в целом их обработка не автоматизирована. В то же время наблюдается развитие систем электронного документооборота.</p> <p>Настоящая работа предлагает инструмент для извлечения данных из фотографий бумажных документов, принимая во внимание их структуру и разметку. Представлены результаты разных испытанных подходов, включая нейронные сети и алгоритмический метод, а также проведен анализ полученных результатов.</p> 2021-09-12T00:00:00+03:00 Copyright (c) 2021 Электронные библиотеки https://elbib.ru/article/view/682 Применение методов скоринговой оценки кредитных рисков в мониторинге корпоративного заемщика 2021-04-28T09:53:39+03:00 Ольга Андреевна Тазенкова otazenkova1@gmail.com <p>Предложен метод оценки риска дефолта корпоративного заемщика на этапе мониторинга на основе скоринговой оценки. Приведено доказательство гипотезы в том, что скоринговые методы оценки кредитных рисков возможны к применению не только на этапе первичной оценки потенциального заемщика при принятии решения о кредитовании, но и на этапе его мониторинга при сопровождении сделки. Мониторинг представляет собой периодическую проверку кредитного качества корпоративного заемщика, с кем заключен кредитный договор. Это делается с целью своевременного выявления негативных сигналов, а также своевременного реагирования на угрожающие тенденции в деятельности заемщика.</p> <p>Некоторые кредитные организации экономят на мониторинге, полагаясь на систему принятия решения, считая ее безупречной. Однако данная экономия может оказаться фатальной ошибкой, так как многое в течение «жизни» предприятия со временем изменяется. Этому способствуют как внешние факторы (политические, экономические), так и внутренние (неверная стратегия развития организации, неспособность оценить собственные кредитные возможности, недобросовестные контрагенты).</p> <p>Предлагаемый метод представляет собой систему автоматических риск-сигналов, которые прошли проверку на предсказательную способность, исключая ручные процедуры. В предлагаемое решение включены маркеры (риск-сигналы), которые имеют предсказательную способность выше средней, что может привести к дефолту корпоративного заемщика. Дополнительно применена цветовая маркировка – красный, желтый, зеленый, которая позволяет визуализировать критичность выявленного риск-сигнала в зависимости от предсказательной способности – наглядное представление рисков заемщика с целью облегчения интерпретации.</p> <p>Анализ разработанного метода показал, насколько возможно ускорить процесс проведения мониторинга, что позволит обеспечить оперативность реагирования на выявленные риск-сигналы, а также спрогнозировать вероятное ухудшение кредитного качества заемщика в кредитном или гарантийном портфеле без ущерба для качества оценки риска.</p> 2021-09-12T00:00:00+03:00 Copyright (c) 2021 Электронные библиотеки https://elbib.ru/article/view/683 Процессный подход и построение базы данных по управлению непрофильными активами кредитной организации 2021-05-11T15:35:58+03:00 Марат Хайдарович Шакиров shakirovmh@me.com <p>Проведен анализ развития интеллектуальных систем в кредитных организациях (далее – Банках).</p> <p>Предложен метод выстраивания сквозного управленческого учета в подразделении кредитной организации, специализирующегося на работе с непрофильными активами. На базе процессного подхода предложен алгоритм внедрения в работу подразделения базы данных для формирования ключевых индикаторов производительности и контроля.</p> <p>Описаны ключевые этапы работы подразделения, атрибутный состав сущностей (множества), поступающих, обогащаемых и передаваемых на каждом этапе работы подразделения. Методом моделирования процесса выстроены ролевая модель, права доступа и редактирования для сотрудников. Предложены источники данных (справочники) для оптимизации и унификации процесса наполнения базы данных (кортежа). Предложен способ обращения к базе данных в надстройке Power Query Microsoft Excel, которая позволяет собирать данные из файлов всех основных типов данных, обрабатывать и дорабатывать полученные данные. На языке Python на основе данных построены математические и финансовые модели анализа данных (логистическая регрессия, дерево решений и метод дисконтированных денежных потоков) с целью прогнозирования расходов, сроков экспозиции активов и принятия решения об оптимальной стоимости постановки имущества на баланс Банка и цены реализации. На основе библиотек (matpotlib, seaborn, plotly) предложены варианты визуализации данных для менеджмента. На примере подразделения Банка описаны положительные эффекты и возможности, которые открываются перед менеджментом разного уровня в решении повседневных задач и планирования деятельности подразделения. Предложено техническое задание по разработке витрины реализации непрофильных активов на сайте Банка как среды накопления внешних данных для принятия гибких менеджерских решений.</p> 2021-09-12T00:00:00+03:00 Copyright (c) 2021 Электронные библиотеки