Показати скорочений опис матеріалу

dc.contributor.authorГарус, Орина
dc.date.accessioned2020-12-26T07:15:12Z
dc.date.available2020-12-26T07:15:12Z
dc.date.issued2020
dc.identifier.urihttp://ir.nmu.org.ua/handle/123456789/156853
dc.descriptionМета дослідження: отримання адекватного середньострокового прогнозу для часового ряду грошових залишків на банківських картках. Методи дослідження та апаратура: спостереження, порівняння та пояснення методів машинного навчання застосованих до проблеми прогнозування; мова програмування Python. В інформаційно-аналітичному розділі наведені означення прогнозування, часових рядів, розглянуті методи їх аналізу та прогнозування. У спеціальному розділі були обрані оптимальні методи машинного навчання для прогнозування – проста нейромережа, нейромережа довгої короткострокової пам’яті, трипараметрична модель прогнозу – метод Хольта-Вінтерса. А також додатковий метод для препроцесінгу даних – емпірична модова декомпозиція для згладжування даних.ru_RU
dc.description.abstractОб’єкт дослідження: прогнозування часового ряду щоденних грошових залишків на банківських картках. Мета дослідження: отримання адекватного середньострокового прогнозу для часового ряду грошових залишків на банківських картках. Практична цінність отриманих у роботі результатів полягає у зменшенні часу, необхідного для обробки вхідних даних та подальшому якісному їх прогнозуванні. В результаті підвищується якість і швидкість прогнозуru_RU
dc.language.isoukru_RU
dc.subjectпрогнозуванняru_RU
dc.subjectмашинне навчанняru_RU
dc.subjectнейрона мережаru_RU
dc.titleЗастосування методів машинного навчання до проблеми прогнозування залишків на банківських картахru_RU
dc.title.alternativeПОЯСНЮВАЛЬНА ЗАПИСКА кваліфікаційної роботи магістра студентки групи 124м–19–1 Гарус Орини Ігорівни спеціальності 124 Системний аналізru_RU
dc.typeLearning Objectru_RU


Долучені файли

Thumbnail

Даний матеріал зустрічається у наступних фондах

Показати скорочений опис матеріалу