Застосування методів машинного навчання до задачі прогнозування залишків на банківських картах

Скорочена інформація про документ
dc.contributor.advisorКупенко, Ольга Петрівна
dc.contributor.authorБондаренко, Даниїл Олександрович
dc.date.accessioned2023-09-15T15:53:22Z
dc.date.available2023-09-15T15:53:22Z
dc.date.issued2023
dc.description.abstractДипломна робота: 102 ст., 11 табл., 28 рис., 1 додаток, 32 джерел. Об’єкт дослідження – прогнозування набору даних залишків на картах клієнтів банку. Предмет дослідження – побудова моделей машинного навчання для прогнозування часових рядів та їх навчання із використанням методів декомпозиції часового ряду. Мета роботи - розглянути теоретичні основи декомпозиції, моделювання та прогнозування часових рядів, побудувати та провести порівняльний аналіз методів машинного навчання для прогнозування залишків на банківських картах, обрати модель, що дає найкращий результат. У роботі розглядається побудова різнотипових моделей для прогнозування вхідних даних, знаходження оптимальних значень для гіперпараметрів моделей, вплив методів декомпозиції часового ряду на процес навчання моделей та на результат прогнозування. Результатом роботи є висновок про найкращу з точки зору відповідних метрик побудовану та навчену на вхідних даних модель для прогнозування залишків на банківських картах.uk
dc.description.abstractotherThesis: 102 pages, 11 tables, 28 figures, 1 appendix, 32 sources. The object of research – dataset of balances on the cards of the bank's clients forecasting. The subject of the research - machine learning models architecture for forecasting time series and their training using time series decomposition algorithms. The purpose of the work is to consider the theoretical foundations of decomposition, modeling and forecasting of time series, to build machine learning methods for forecasting balances on bank cards and perform a comparative analysis of, to choose the model that gives the best result. The work considers the construction of various models for forecasting input data, finding optimal values for hyperparameters of models, the influence of time series decomposition methods on the process of training models and on the result of forecasting. The result of the work is the best with respect to corresponding metrics model built and trained on input data for forecasting balances on bank cards.uk
dc.format.extent102 с.uk
dc.identifier.citationБондаренко, Д. О. Застосування методів машинного навчання до задачі прогнозування залишків на банківських картах : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Бондаренко Даниїл Олександрович. – Київ, 2023. – 102 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60416
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectпрогнозування часових рядівuk
dc.subjectліквідність банкуuk
dc.subjectекспоненційне згладжуванняuk
dc.subjectмодель хольта-вінтерсаuk
dc.subjectбагатошаровий персептронuk
dc.subjectрекурентні нейронні мережіuk
dc.subjecttime series forecastinguk
dc.subjectbank liquidityuk
dc.subjectexponential smoothinguk
dc.subjectholt-winters modeluk
dc.subjectmultilayer perceptronuk
dc.subjectrecurrent neural networksuk
dc.titleЗастосування методів машинного навчання до задачі прогнозування залишків на банківських картахuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Bondarenko_bakalavr.pdf
Розмір:
2.29 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи