ГарусГарус, ОринаОринаГарусГарус, О.О.Гарус2020-04-302020-04-302019http://ir.nmu.org.ua/handle/123456789/155230В інформаційно-аналітичному розділі наведені означення Data Mining, рекомендаційних систем, їх принцип та класифікація та поняття колаборативної фільтраціі. У спеціальному розділі обраний алгоритм для пониження розмірності розрідженої матриці оцінок користувачів, яка використовується в алгоритмі колаборативної фільтрації. В межах алгоритму сингулярного розкладу було порівняно рекомендації на основі усіх користувачів і фільмів та рекомендації на основі даних, у яких відкинуто малозначущі елементи. Економічна ефективність: очікується позитивною завдяки розробці програмного забезпечення, яке дозволяє автоматизувати процес побудови рекомендації, і таким чином знизити витрати на персонал, а також скоротити час, необхідний для виконання операцій. Практична цінність роботи полягає у розробці програмного забезпечення, яке дозволяє побудувати стислу матрицю даних, що несе якомога повнішу інформацію необхідну для надання адекватних рекомендацій.Об’єкт дослідження: процес формування рекомендацій в ході аналізу баз даних художніх фільмів.Предмет дослідження: методи колаборативної фільтрації та алгоритм сингулярного розкладу матриці рейтингових оцінок користувачівМета дослідження: підвищення ефективності роботи рекомендаційної системи за рахунок моделювання інструменту аналізу даних у різних формахМетоди дослідження та апаратура: спостереження, порівняння та пояснення алгоритму роботи рекомендаційної системи сингулярного розкладу матриці; мови програмування MATLAB та PythonukDATA MININGАЛГОРИТМ СИНГУЛЯРНОГО РОЗКЛАДУ МАТРИЦІКОЛАБОРАТИВНА ФІЛЬТРАЦІЯРЕКОМЕНДАЦІЙНА СИСТЕМАDATA MININGSINGULAR VALUE DECOMPOSITION ALGORITHMCOLLABORATE FILTRATIONRECOMMENDATION SYSTEMLearning Object