Browsing by Author "Bezkorovainyi, Vitalii"
Now showing 1 - 18 of 18
Results Per Page
Sort Options
Item Application of DNNs to multimodal data processing tasks (images, video, audio, text)(Київський національний економічний університет імені Вадима Гетьмана, 2024) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Bezkorovainyi, Vitalii; Безкоровайний, Віталій СергійовичItem Basic concepts of Artificial Intelligence(Київський національний економічний університет імені Вадима Гетьмана, 2024) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Bezkorovainyi, Vitalii; Безкоровайний, Віталій СергійовичItem Construction of an Information Control System based on DNNs for the forecasting financial market(Київський національний економічний університет імені Вадима Гетьмана, 2024) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Bezkorovainyi, Vitalii; Безкоровайний, Віталій СергійовичItem Deep Neural Networks (DNNs)(Київський національний економічний університет імені Вадима Гетьмана, 2024) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Bezkorovainyi, Vitalii; Безкоровайний, Віталій СергійовичItem Innovative trends in the development of information control systems and technologies(Київський національний економічний університет імені Вадима Гетьмана, 2024) Ustenko, Stanislav; Устенко, Станіслав Веніамінович; Tishkov, Bohdan; Тішков, Богдан Олександрович; Shevchenko, Kostiantyn; Шевченко, Костянтин Леонідович; Artemchuk, Volodymyr; Артемчук, Володимир Олександрович; Gavrylenko, V.; Ivohin, E.; Rippa, Serhii; Ріппа, Сергій Петрович; Ivanchenko, Hennadii; Іванченко, Геннадій Федорович; Dzhalladova, Irada; Джалладова, Ірада Агаєвна; Kaminskyi, Oleh; Камінський, Олег Євгенович; Mozghalli, Olha; Мозгаллі, Ольга Петрівна; Hraniak, Valerii; Граняк, Валерій Федорович; Krasniuk, Maksym; Краснюк, Максим Тарасович; Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Bezkorovainyi, Vitalii; Безкоровайний, Віталій Сергійович; Sendziuk, Myron; Сендзюк, Мирон Ананійович; Sytnyk, Nina; Ситник, Ніна Василівна; Denisova, Olha; Денісова, Ольга Олександрівна; Hordiienko, Iryna; Гордієнко, Ірина Василівна; Zinovieva, Iryna; Зінов’єва, Ірина Сергіївна; Ivanchenko, N.; Smirnov, D.; Ostapovych, T.; Vozniuk, Yaroslav; Вознюк, Ярослав Юрійович; Gazizov, V.; Synytskyi, R.; Ivohina, K.; Yushtin, K.; Datsiuk, M.; Murza, M.; Zozovskyi, Y.; Starzhynskyi, G.; Makushchenko, O.; Tarasenko, MarynaThe monograph delves into cutting-edge trends in developing and deploying advanced information technologies such as artificial intelligence, machine learning, cloud computing, big data, blockchain, and industrial Internet of Things within information control system architectures. It explores conceptual and methodological principles for designing various types of information control systems in organizations, manufacturing, technical facilities, higher education institutions, and the medical field. This exploration takes place amidst heightened global instability, cyber threats in the digital sphere, and significant digital transformations. Special emphasis is placed on creating and advancing applied information control systems, including their components and technologies. The monograph also examines the use of hybrid intelligent systems and specialized computer systems for managing logistics, transportation, organizational information security, energy facilities, aircraft, and smart systems. It targets teachers, researchers, graduate students, undergraduates, and specialists involved in integrating innovative technologies into information system design and implementation across enterprises, organizations, IT sectors, education, and healthcare.Item Machine learning approach of analysis of emotional polarity of electronic social media(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2020) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Дербенцев, Василий Джорджевич; Bezkorovainyi, Vitalii; Безкоровайний, Віталій Сергійович; Бескоровайный, Виталий Сергеевич; Akhmedov, Renat; Ахмедов, Ренат РамазановичThis paper proposes a new approach to evaluating the emotional polarity (or Sentiment Analysis) of electronic social media texts. For this purpose both conventional Machine Learning (Logistic Regression and Support Vector Machine), and Deep Neural Networks approaches (Fully Connected and Convolutional Neural Networks) were used. As vector representations of words, we used both the frequency-based and pretrained words embeddings Word2vec and GloVe (with embedding dimensions of size 100 and 300). For the selected English-language IMDb Movie Reviews dataset the classification accuracy using the Logistic Regression model was 87%, the Support Vector Machine – 87.5%, the Fully Connected Neural Network – 88%, and the Convolutional Network – 90%. The accuracy of the proposed models is a quite acceptable for practical use-cases and is not inferior to cutting-edge Natural Language Processing solutions in the field of Sentiment Analysis, which opens up good prospects for further research. У статті пропонується новий підхід до оцінки емоційної полярності (або аналізу настроїв) електронних текстів у соціальних мережах. Для цього використовувалися як класичні методи машинного навчання (логістична регресія та метод опорних векторів), так і інструментарій глибоких нейронних мереж (повнозв’язні та згорткові нейромережі). Векторне представлення ґрунтувалось на частотних та попередньо навчених вкладеннях слів Word2vec і GloVe (з розмірами вкладення 100 і 300). Для вибраного англомовного набору даних IMDb Movie Reviews точність класифікації за допомогою моделі логістичної регресії становила 87%, машини опорних векторів – 87,5%, повнозв’язної нейронної мережі – 88% і згорткової мережі – 90%. Точність запропонованих моделей є цілком прийнятною для практичних ситуацій і не поступається передовим рішенням у сфері обробки природньої мови за напрямом аналізу настроїв, що відкриває обнадійливі перспективи для подальших досліджень.Item Machine learning approaches for financial time series forecasting(CEUR Workshop Proceedings, 2021) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Дербенцев, Василий Джорджевич; Matviichuk, Andrii; Матвійчук, Андрій Вікторович; Матвийчук, Андрей Викторович; Datsenko, Nataliia; Даценко, Наталія Володимирівна; Даценко, Наталья Владимировна; Bezkorovainyi, Vitalii; Безкоровайний, Віталій Сергійович; Безкоровайный, Виталий Сергеевич; Azaryan, AlbertThis paper is discusses the problems of the short-term forecasting of financial time series using supervised machine learning (ML) approach. For this goal, we applied several the most powerful methods including Support Vector Machine (SVM), Multilayer Perceptron (MLP), Random Forests (RF) and Stochastic Gradient Boosting Machine (SGBM). As dataset were selected the daily close prices of two stock index: SP 500 and NASDAQ, two the most capitalized cryptocurrencies: Bitcoin (BTC), Ethereum (ETH), and exchange rate of EUR-USD. As features we used only the past price information. To check the efficiency of these models we made out-of-sample forecast for selected time series by using one step ahead technique. The accuracy rates of the forecasted prices by using ML models were calculated. The results verify the applicability of the ML approach for the forecasting of financial time series. The best out of sample accuracy of short-term prediction daily close prices for selected time series obtained by SGBM and MLP in terms of Mean Absolute Percentage Error (MAPE) was within 0.46-3.71 %. Our results are comparable with accuracy obtained by Deep learning approaches.Item Sentiment Analysis of Electronic Social Media Based on Deep Learning(CEUR Workshop Proceedings, 2022-11) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Дербенцев, Василий Джорджевич; Bezkorovainyi, Vitalii; Безкоровайний, Віталій Сергійович; Безкоровайный, Виталий Сергеевич; Matviichuk, Andrii; Матвійчук, Андрій Вікторович; Матвийчук, Андрей Викторович; Pomazun, Oksana; Помазун, Оксана Миколаївна; Помазун, Оксана Николаевна; Hrabariev, Andrii; Грабарєв, Андрій Володимирович; Грабарев, Андрей Владимирович; Hostryk, OleksiiThis paper describes Deep Learning approach of sentiment analyses which is an active research subject in the domain of Natural Language Processing. For this purpose we have developed three models based on Deep Neural Networks (DNNs): Convolutional Neural Network (CNN), and two models that combine convolutional and recurrent layers based on Long-Short-Term Memory (LSTM), such as CNN-LSTM and Bi-Directional LSTM-CNN (BiLSTM-CNN). As vector representations of words were used GloVe and Word2vec word embeddings. To evaluate the performance of the models, were used IMDb Movie Reviews and Twitter Sentiment 140 datasets, and as a baseline classifier was used Logistic Regression. The best result for IMDb dataset was obtained using CNN model (accuracy 90.1%), and for Sentiment 140 the model based on BiLSTM-CNN showed the highest accuracy (82.1%) correspondinly. The accuracy of the proposed models is a quite acceptable for practical use and comparable to state of the art models.Item The role of time series forecasting in the development and use of AI models for ICS(Київський національний економічний університет імені Вадима Гетьмана, 2024) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Bezkorovainyi, Vitalii; Безкоровайний, Віталій СергійовичItem Аналіз тональності текстів з використанням моделей глибокого навчання(Черкаський державний технологічний університет, 2022-06) Ахмедов, Ренат Рамазанович; Akhmedov, Renat; Дербенцев, Василь Джоржович; Derbentsev, Vasyl; Дербенцев, Василий Джорджевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий СергеевичРобота присвячена розробці моделі аналізу тональності текстів із використанням глибоких нейронних мереж. З цією метою в роботі було запропоновано архітектуру, що складається із перед-навченої моделі BERT (Bidirectional Encoder Representations from Transformers), що здійснює попередню обробку тексту, токенізацію та векторне представлення слів, та моделі класифікатора на базі логістичної регресії. Об’єктом дослідження є аналіз тональності текстів (сентимент-аналіз). Предметом дослідження є моделі обробки природної мови на основі глибоких нейронних мереж. Згідно з одержаними результатами наша модель показала на тестовій вибірці точність 82% в термінах метрики Accuracy. Проведене експериментальне дослідження свідчить про перспективність запропонованого підходу здійснення сентимент-аналізу з використанням перед-навченої моделі BERT. В подальших дослідженнях можна використовувати більш складні моделі класифікаторів, здійснювати багатокласову класифікацію, аспектний сентимент-аналіз.Item Викладання комп’ютерної графіки з використанням систем штучного інтелекту(Харківський національний університет імені В. Н. Каразіна, 2023-09) Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Бескоровайный, Виталий СергеевичItem Застосування методів глибокого навчання до прогнозування зміни короткострокових трендів валютних курсів(Мукачівський державний університет, 2020) Дербенцев, Василь Джоржович; Derbentsev, Vasyl; Дербенцев, Василий Джорджевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий Сергеевич; Луняк, Ірина Вікторівна; Luniak, Iryna; Луняк, Ирина ВикторовнаРобота присвячена питанням короткострокового прогнозування валютних курсів за допомогою моделей глибокого навчання, що є актуальним як для наукової спільноти, так і для трейдерів та інвесторів. Метою роботи є побудова моделі прогнозу напряму зміни руху цін валютних котирувань на основі глибоких нейронних мереж. В основу розробленої архітектури було покладено модель вентильного рекурентного вузла, що є модифікацією моделі «довготривалої короткочасної пам’яті», але є більш простою за кількістю параметрів і часом навчання. Проведено прогнозні розрахунки динаміки котирувань валютної пари євро/долар і найбільш капіталізованої криптовалюти біткоїн/долар із використанням щоденних, чотиригодинних і щогодинних спостережень. Отримані результати бінарної класифікації (прогнозу напряму зміни тренду) під час застосування щоденних і годинних котирувань виявились загалом кращими, ніж дають моделі часових рядів, або моделі нейронних мереж іншої архітектури (зокрема, багатошарового персептрону, чи моделі на основі «довготривалої короткочасної пам’яті»). Згідно з одержаними результатами, найбільша точність класифікації виявилася для моделі щоденних котирувань як для євро/долар – близько 72 %, так і для біткоїн/долар – близько 69 %. Під час використання чотирьохгодинних і щогодинних часових рядів точність класифікації зменшувалась, що можна пояснити як збільшенням впливу «ринкового шуму», так і вірогідним перенавчанням моделей. Унаслідок комп’ютерних експериментів було з’ясовано, що моделі краще прогнозують зростаючий тренд, ніж спадаючий. Проведене дослідження підтвердило перспективність застосування моделей глибокого навчання для задач короткострокового прогнозування часових рядів валютних котирувань. Водночас використання розроблених моделей виявилось ефективним як для фіатних, так і для криптовалют. Запропоновану систему моделей на основі глибоких нейронних мереж можна покласти в основу під час розробки автоматизованої торгової системи на валютному ринку. This paper investigates the issues of short-term forecasting of exchange rates using deep learning models, which is relevant for both the academia and traders and investors. The purpose of this study is to build a model to forecast the direction of changes in the price movement of currency quotes based on deep neural networks. The developed architecture is based on the gated recurrent unit model, which is a modification of the “long short-term memory” model, but is simpler as to the number of parameters and learning time. Forecast calculations of the dynamics of quotations of the euro/dollar currency pair and the most capitalised cryptocurrency – bitcoin/dollar are carried out using daily, four-hour, and hourly observations. The obtained results of binary classification (forecasting the direction of trend change) when applying daily and hourly quotes turned out to be generally better than those given by time series models, or models of neural networks of other architecture (namely multilayer perceptron, or models based on “long short-term memory”). According to the results obtained, the highest classification accuracy was found for the model of daily quotes for both EUR/USD – about 72%, and for BTC/USD – about 69%. When using the four-hour and hourly time series, the classification accuracy decreased, which can be explained both by an increase in the impact of “market noise” and by the likely retraining of models. As a result of computer experiments, it was found that models better predict an upward trend than a downward one. The conducted research confirmed the prospects of using deep learning models for short-term forecasting of time series of currency quotes. At the same time, the use of the developed models proved to be effective for both fiat and cryptocurrencies. The proposed system of models based on deep neural networks can be used as a basis for the development of an automated trading system in the foreign exchange market.Item Контент-аналіз соціальних медіа методами машинного навчання(Черкаський національний університет імені Богдана Хмельницького, 2022) Ахмедов, Ренат Рамазанович; Akhmedov, Renat; Дербенцев, Василь Джоржович; Derbentsev, Vasyl; Дербенцев, Василий Джорджевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий СергеевичРобота присвячена проблемам проведення контент-аналізу електронних соціальних медіа. Проаналізовано особливості соціальних медіа та їх відмінності від традиційних засобів масової інформації. Визначено основні завдання, що дозволяє вирішувати застосування контент-аналізу соціальних медіа для бізнесу. Обґрунтовано використання технології машинного та глибокого навчання для створення систем контент-аналізу. Запропоновано застосування технології Transfer Learning для перенесення знань із переднавчанених мовних моделей на інший домен або іншу мову, зокрема, українську з інших слов’янських мов. Introduction. During the last two decades, the rapid development of social media has caused a revolution in means of communication in modern society. Therefore, a significant number of the world's leading companies began to rebuild their business models using the capabilities of modern means of communication through social networks and other platforms, for which content analysis technologies are successfully used. Purpose. The purpose of the article is to develop methodological principles for conducting content analysis of electronic resources (social media) based on using Artificial Intelligence technologies, in particular, Machine and Deep Learning. Results. The paper analyzes the phenomenon of social media and identifies the key factors that determine the effectiveness of their use for both business and consumers. Based on this, the paper explores the features of the content analysis of social media, which take into account their mass character, as well as the presence of large arrays of unstructured information. The large amount of information on various electronic platforms requires adequate means for their monitoring and processing, analysis of content as well. To solve these problems, the paper substantiates the use of modern Natural Language Processing technologies based on Machine and Deep Learning approaches. An alternative to the existing services for content analysis is developing systems based on such tight forwarding motion models, like BERT (provided by Google), or GPT-3 (provided by Open AI), which was implemented on the Transformer Deep Neural Networks architecture. The article also proposes the use of Transfer Learning technology to transfer knowledge from pre-learned language models to another domain or another language, in particular, Ukrainian from other Slavic languages. Originality. The main findings of this paper are the follows: (i) the main advantages of using social media for businesses and consumers are substantiated; (ii) the characteristic features of conducting content analysis in social media are determined; (iii) the advantages and disadvantages of using Natural Language Processing methods for solving problems of content analysis in social media are shown; (iv) Transfer Learning approach to transfer knowledge from pre-learned language models to another domain or another language, in particular, Ukrainian from other Slavic languages has been proposed for solving content analysis tasks. Conclusion. The accumulation of a sufficient amount of training data, the development of multi-core CPU and graphics processors, as well as the formation of powerful pre-trained language models and the development of effective algorithms for processing extremely large amounts of information are factors that determine the efficiency of the use of Machine and Deep Learning technology for content analysis tasks in recent years. Therefore, the development of computer systems for content analysis of social media, in particular, using modern technologies of Artificial Intelligence (Machine and Deep Learning), does not lose its relevance and requires further research.Item Концепція побудови єдиного інформаційного середовища університету(Київський національний економічний університет імені Вадима Гетьмана, 2024-04) Сільченко, Марина Валеріївна; Silchenko, Maryna; Сильченко, Марина Валерьевна; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Бескоровайный, Виталий СергеевичItem Методологія аналізу контенту електронних засобів масової інформації(Придніпровська державна академія будівництва та архітектури, 2021) Ахмедов, Ренат Рамазанович; Akhmedov, Renat; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий Сергеевич; Данильченко, Тетяна Валеріївна; Danylchenko, Tetiana; Данильченко, Татьяна ВалерьевнаВ сучасному інформаційному суспільстві особливого значення набуває аналіз потоку інформації ЗМІ, тому особливої актуальності набувають питання проведення контент-аналізу, який ґрунтується на переведенні якісних даних у цифровий формат задля одержання можливостей оброблення інформації з використанням технологій біг-дата-аналітики та штучного інтелекту. У рамках дослідження узагальнено погляди на використання контент-аналізу та запропоновано методологію аналізу контенту електронних засобів масової інформації для таргетування цільової аудиторії, визначення вподобань щодо змісту публікацій, що складається з таких етапів, як вебскрапінг, паркінг, якісний аналіз, кількісний аналіз, аналіз тональності текстів. Запропонована в дослідженні методологія є основою для реалізації сучасних засобів контент-аналізу з використанням сучасних інформаційних технологій та методів і моделей штучного інтелекту. In the conditions of modern information society, the analysis of the flow of media information is of particular importance. Therefore, the issues of content analysis, which is based on the conversion of qualitative data into digital format in order to obtain information processing capabilities using technologies of big-data analytics and artificial intelligence approaches, are especially relevant. This study summarized the views on the use of content analysis and proposed a methodology for analyzing the content of electronic media for targeting and determining preferences for the content of publications. For this purpose, were proposed were proposed a conceptual scheme for conducting content analysis, which consists of 5 stages. The first stage consists of creating and updating a full-text database on a daily basis by automated data collection and retrieval of content from media websites (web scraping). The second stage involves using of modules for determining useful content (parsing) and its subsequent storage in the database. The quantitative analysis stage is especially important when generalization, aggregation of results, or to calculate the frequency of words (frequency analysis), categories, tags and expressions, as well as their joint use in the text. The purpose of qualitative analysis is to reduce the material so that the main content remains. Similarly, qualitative analysis can provide additional information about individual components of the text (terms, definitions) in order to improve understanding, explanation, and interpretation of a particular passage. Finally, the last stage is to analyze the tone of the texts (sentiment analysis), i.e. to determine the emotional (positive or negative) attitude of the authors of the test to the described event, person or phenomenon. Authors (or users who leave comments) actively use various means in order to create the desired picture of an event in the reader’s imagination, and to evoke the appropriate emotions. The proposed methodology is the basis for the implementation of modern tools of content analysis using information technologies and methods artificial intelligence approaches.Item Моделювання короткострокової динаміки валютних курсів з використанням глибоких нейронних мереж(Одеський національний економічний університет, 2020) Дербенцев, Василь Джоржови; Derbentsev, Vasily; Дербенцев, Василий Джорджевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий Сергеевич; Овчаренко, Андрій Анатолійович; Ovcharenko, Andrey; Овчаренко, Андрей АнатольевичРобота присвячена питанням короткострокового прогнозування валютних курсів за допомогою моделей глибокого навчання. З цією метою було побудовано модель глибокого навчання на основі синтезу нейронних мереж загорткового (CNN) та рекурентного (RNN) типу. Згорткова мережа виконує функцію вилучення ознак, а рекурентна мережа на основі моделі «довготривалої короткочасної пам’яті» (LSTM) здійснює безпосередньо прогноз. Проведено прогнозні розрахунки динаміки котирувань для валютних пар євро/долар (EUR/USD) та британського фунту (GBP/USD), а також для двох найбільш капіталізованих криптовалют (біткоіна – BTC/USD та ефіріума – ETH/USD) з використанням щоденних та чотиригодинних спостережень. Проведені комп’ютерні експерименти підтвердили перспективність застосування моделей глибокого навчання для задач короткострокового прогнозування часових рядів як фіатних, так і криптовалют. This paper is devoted to the short-term predicting of exchange rates using Deep Learning approaches (DL). The undeniable advantage of using deep networks is their ability to find hidden complex nonlinear patterns in the data, as well as to identify influential factors (carry out automatic feature extraction). For this purpose, the DL models were built on the basis of Convolutional (CNN) and Recurrent (RNN) Neural Networks. The CNN block performs the function of feature extraction, and the RNN which based on the Long-term Short-term Memory (LSTM) performs the forecast. For parameters estimating and testing the models we used daily and four hourly observations of currencies Euro/Dollar, British pound/Dollar, and cryptocurrencies (Bitcoin and Ethereum) for the period from 02/01/2015 to 12/31/2020 according to the service Yahoo Finance. As input data, we used open prices (Open), minimum (Low), maximum (High), and close prices (Close) for the corresponding timeframe. In the experimental section we compared the performance of the designed models using both daily and four-hour data sets. The accuracy of the forecasting performance was assessed by the values of the Mean Absolute Percentage Error (MAPE), which allows comparing forecast errors for different assets and models. In addition, the Mean Square Error (MSE) and the Root Mean Square Error (RMSE) were also calculated. The highest accuracy (in the sense of the MAPE metrics) was for the EUR/USD – about 0.4% for both daily and for-hour data sets. More volatile GBP/USD quotes show a larger error on both daily and four-hour quotes. But in general, an increase in the number of observations in four-hour time series reduces the model error for EUR/USD and GBP/USD. The results of the cryptocurrencies forecast turned out to be less accurate: 5.9% and 8.5%, respectively. Our study showed the prospects of using DL networks such as CNN and LSTM to predicting the short-term exchange rates. According to obtained results proposed models provide an efficient forecast for both fiat and cryptocurrencies.Item Облік у бюджетних установах(Київський національний економічний університет імені Вадима Гетьмана, 2024) Грабарєв, Андрій Володимирович; Hrabariev, Andrii; Грабарев, Андрей Владимирович; Грицак, Неля Юріївна; Hrytsak, Nelia; Грицак, Неля Юрьевна; Осмятченко, Володимир Олександрович; Osmiatchenko, Volodymyr; Осмятченко, Владимир Александрович; Мозговий, Сергій Анатолійович; Mozghovyi, Serhii; Мозговой, Сергей Анатольевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Бескоровайный, Виталий СергеевичItem Інформаційні системи і технології на підприємстві(Київський національний економічний університет імені Вадима Гетьмана, 2023) Грабарєв, Андрій Володимирович; Hrabariev, Andrii; Грабарев, Андрей Владимирович; Грицак, Неля Юріївна; Hrytsak, Nelia; Грицак, Неля Юрьевна; Осмятченко, Володимир Олександрович; Osmiatchenko, Volodymyr; Осмятченко, Владимир Александрович; Мозговий, Сергій Анатолійович; Mozghovyi, Serhii; Мозговой, Сергей Анатольевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Бескоровайный, Виталий Сергеевич