Інтелектуальний аналіз поведінки користувачів в освітньому веб-додатку для максимізації його прибутку

Скорочена інформація про документ
dc.contributor.advisorКупенко, Ольга Петрівна
dc.contributor.authorСелютін, Дмитро Андрійович
dc.date.accessioned2025-09-05T09:49:27Z
dc.date.available2025-09-05T09:49:27Z
dc.date.issued2025
dc.description.abstractДипломна робота: 98 с., 28 рис., 14 табл., 29 посилань, додаток. Об’єктом дослідження є поведінка користувачів освітнього веб-додатку на початковому етапі взаємодії з продуктом. Предметом дослідження виступають методи машинного навчання для прогнозування користувацької цінності за історією їхніх дій. Метою роботи є побудова та оцінка класифікаційних моделей, що дозволяють виявляти рентабельних користувачів на основі перших трьох днів активності. Для цього застосовано Logistic Regression, Random Forest, XGBoost, LightGBM, CatBoost, Stacking тощо. Моделі оцінювалися як за класичними метриками точності (precision, recall, F1-score), так і з урахуванням очікуваної прибутковості. У роботі реалізовано повний цикл: очищення, агрегація та нормалізація подій, побудова ознак і цільової змінної, навчання моделей, підбір гіперпараметрів, оптимізація порогів та аналіз важливості ознак. Подальші дослідження можуть бути спрямовані на поєднання моделей із мультимодальними ознаками, використання трансформерних архітектур або впровадження онлайн-навчання в реальному часі.
dc.description.abstractotherBachelor's thesis: 98 p., 28 figures, 14 tables, 29 references, appendix. The object of the study is user behavior in an educational web application during the early stages of interaction. The subject of the study is machine learning methods used to predict the potential value of a user based on their initial actions. The aim of this work is to build and evaluate classification models for identifying high-revenue users based on their first three days of activity. The study employs Logistic Regression, Random Forest, XGBoost, LightGBM, CatBoost, Stacking, among others. The models are assessed using both classical metrics (precision, recall, F1-score) and expected business value. The work includes a full pipeline: event data preprocessing, feature engineering, label creation based on the full_expected_revenue quartile, model training, hyperparameter tuning, threshold optimization, and feature importance analysis. Future research may focus on combining models with multimodal features, applying transformer-based architectures, or implementing online learning in real-time environments.
dc.format.extent138 с.
dc.identifier.citationСелютін, Д. А. Інтелектуальний аналіз поведінки користувачів в освітньому веб-додатку для максимізації його прибутку : дипломна робота … бакалавра : 122 Комп'ютерні науки / Селютін Дмитро Андрійович. – Київ, 2025. – 138 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75830
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectаналіз поведінки користувачів
dc.subjectпередбачення доходу
dc.subjectмашинне навчання
dc.subjectкласифікація
dc.subjectxgboost
dc.subjectlightgbm
dc.subjectcatboost
dc.subjectstacking
dc.subjectповедінкові ознаки
dc.subjectedtech
dc.subjectпрецизія
dc.subjectбізнес-метрики
dc.subjectuser behavior analysis
dc.subjectrevenue prediction
dc.subjectmachine learning
dc.subjectclassification
dc.subjectxgboost
dc.subjectlightgbm
dc.subjectcatboost
dc.subjectstacking
dc.subjectbehavioral features
dc.subjectedtech
dc.subjectprecision
dc.subjectbusiness metrics
dc.titleІнтелектуальний аналіз поведінки користувачів в освітньому веб-додатку для максимізації його прибутку
dc.typeBachelor Thesis

Файли

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

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи