ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ СТВОРЕННЯ УТИЛІТ ОПЕРАЦІЙНОЇ СИСТЕМИ WINDOWS

Анотація

У сучасному світі, Windows продовжує залишатися однією з найпопулярніших операційних систем для користувачів. Проте, при тривалому користуванні цією системою, люди часто зіткнюються з проблемами щодо швидкодії та накопиченням непотрібних файлів, що може вплинути на продуктивність комп’ютера. Засоби для очищення системи, які використовуються традиційно, не завжди враховують індивідуальні потреби користувачів, що може призвести до втрати важливих даних або недостатньо ефективного очищення. Зростання вимог до точності і безпеки процесу очищення підкреслює значення використання методів машинного навчання для автоматизації цього процесу.У цій роботі досліджується розробка та впровадження інтелектуальної утиліти для очищення та оптимізації операційної системи Windows з використанням методів машинного навчання на основі бібліотеки ML.NET.Програма створена на мові C# із застосуванням WinUI 3 для побудови сучасного користувацького інтерфейсу та PowerShell для виконання системної оптимізації. Технологія машинного навчання дозволяє ефективно класифікувати файли за ознаками (тип, розмір, дата створення, дата змінення тощо) та визначати, чи є вони потенційно непотрібними. Розроблена програма пропонує як стандартний функціонал очищення за категоріями, так і функцію інтелектуального очищення, яка мінімізує ризик видалення важливих даних.Для оцінки ефективності запропонованого рішення проведено серію експериментів з класифікації файлів різних категорій та порівняльний аналіз з вбудованими у Windows утилітами. Експерименти включали тестування точності моделі машинного навчання на наборі даних, що містить файли різних типів та характеристик.Дослідження демонструє значні переваги інтелектуального підходу, що дозволяє автоматизувати процес очищення системи та зменшити кількість помилок.Дане дослідження має значну практичну цінність для розробників програмного забезпечення, які працюють над інструментами для очищення та оптимізації операційних систем. Воно демонструє, як сучасні методи машинного навчання можуть підвищити точність та безпеку очищення, відкриваючи шлях до більш інтелектуальних та зручних утиліт для підтримки продуктивності комп’ютерних систем.