MYMiras Yeginbayev

Miras Yeginbayev

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Miras Yeginbayev has a total of 11 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Статистикалық деректерді терең талдау есептерін excel-де өңдеу процесін автоматтандыру

    by Ж. С. Алимова, Ю. В. Улихина, А. З. Даутова, Г. К. Матаева, М. Т. Егинбаев

    Мақалада статистикалық деректерді терең талдау есептерін автоматтандыру мәселесі қарастырылады. Ақпараттық технологиялар мен деректер ғылымының қарқынды дамуы деректерді талдауда жаңа әдістерді талап етеді. Microsoft Excel – аналитикалық есептеулер жүргізу үшін кеңінен қолданылатын құрал, алайда үлкен деректерді өңдеу кезінде қайталанатын есептеулердің көптігі автоматтандыру қажеттілігін туындатады. Осыны ескере отырып, Visual Studio Code бағдарламалау ортасында Python тілінде арнайы автоматтандырылған бағдарлама әзірленді. Бұл бағдарлама салааралық қатынастар кестесінің деректерін енгізу-шығару әдісін пайдалана отырып өңдейді, нәтижесінде уақытты үнемдеуге, есептеулерді жылдам әрі дәл жүргізуге жағдай жасайды. Бағдарламаның интерфейсі Excel файлдарын өңдеу процесін жеңілдетіп, өңделген мәліметтерді визуализациялауға мүмкіндік береді. Зерттеу барысында Экономикалық ынтымақтастық және даму ұйымының дерекқорынан алынған (URL: www.oecd.org) 1995 жылдан 2018 жылға дейінгі 66 елден 45 сала бойынша статистикалық тарихи деректері қолданылды. Бұл шешім статистикалық деректермен жұмыс істейтін зерттеушілер мен талдаушылар үшін тиімді құрал бола алады. Нәтижесінде, «Excel файлдарындағы жұмыс процестерін автоматтандыруға арналған бағдарлама: Excel файлдарын өңдеу» ЭЕМ-ге арналған бағдарламалық өнімге авторлық құқық куәлігі алынып, болашақта осы бағытта жетілдіру мүмкіндіктері белгіленді. Кілтті сөздер: Microsoft Excel, Python, автоматтандыру, деректерді талдау, салааралық қатынастар.

  • Open Access

    Applying machine learning to improve a texture type image

    by Jamalbek Tussupov, Kairat Kozhabai, Aigulim Bayegizova, Leila Kassenova, Zhanat Manbetova, Natalya Glazyrina, Bersugir Mukhamedi, Miras Yeginbayev

    The paper is devoted to machine learning methods that focus on texture-type image enhancements, namely the improvement of objects in images. The aim of the study is to develop algorithms for improving images and to determine the accuracy of the considered models for improving a given type of images. Although currently used digital imaging systems usually provide high-quality images, external factors or even system limitations can cause images in many areas of science to be of low quality and resolution. Therefore, threshold values for image processing in a certain field of science are considered. The first step in image processing is image enhancement. The issues of signal image processing remain in the focus of attention of various specialists. Currently, along with the development of information technology, the automatic improvement of images used in any field of science is one of the urgent problems. Images were analyzed as objects: state license plates of cars, faces, sections of the field on satellite images. In this work, we propose to use the models of Super-Resolution Generative Adversarial Network (SRGAN), Extended Super-Resolution Generative Adversarial Networks (ERSGAN). For this, an experiment was conducted, the purpose of which was to retrain the trained ESRGAN model with three different architectures of the convolutional neural network, i.e. VGG19, MobileNet2V, ResNet152V2 to add perceptual loss (by pixels), also add more sharpness to the prediction of the test image, and compare the performance of each retrained model. As a result of the study, the use of convolutional neural networks to improve the image showed high accuracy, that is, on average ESRGAN+MobileNETV2 – 91 %, ESRGAN+VGG19 – 86 %, ESRGAN+ResNet152V2 – 96 %. Робота присвячена методам машинного навчання, орієнтованим на покращення зображень текстурного типу, а саме на поліпшення об'єктів на зображеннях. Метою дослідження є розробка алгоритмів покращення зображень та визначення точності розглянутих моделей для покращення даного типу зображень. Незважаючи на те, що використовувані в даний час системи цифрової обробки зображень зазвичай забезпечують високу якість зображень, зовнішні фактори або навіть системні обмеження можуть привести до того, що зображення в багатьох областях науки матимуть низьку якість та роздільну здатність. Тому розглядаються порогові значення для обробки зображень у певній галузі науки. Першим етапом обробки зображень є покращення зображення. Питання обробки зображень сигналів залишаються у центрі уваги різних фахівців. В даний час, поряд з розвитком інформаційних технологій, одним із актуальних завдань є автоматичне покращення зображень, що використовуються в будь-якій галузі науки. Зображення аналізувалися як об'єкти: державні номерні знаки автомобілів, особи, ділянки поля на супутникових знімках. У даній роботі ми пропонуємо використовувати моделі генеративно-змагальної мережі надроздільної здатності (SRGAN), розширених генеративно-змагальних мереж надроздільної здатності (ERSGAN). Для цього був проведений експеримент, метою якого було перенавчання навченої моделі ESRGAN з трьома різними архітектурами згорткової нейронної мережі, тобто VGG19, MobileNet2V, ResNet152V2 для додавання втрат сприйняття (за пікселями), а також додавання різкості до прогнозування тестового зображення та порівняння продуктивності кожної перенавченої моделі. В результаті дослідження використання згорткових нейронних мереж для покращення зображення показало високу точність, тобто в середньому ESRGAN+MobileNetV2 – 91 %, ESRGAN+VGG19 – 86 %, ESRGAN+ResNet152V2 – 96 %