Веб додаток аналізу прохідних балів для абітурієнтів

Скорочена інформація про документ
dc.contributor.advisorШубенкова, Ірина Анатоліївна
dc.contributor.authorДрига, Едуард Андрійович
dc.date.accessioned2020-11-16T11:50:51Z
dc.date.available2020-11-16T11:50:51Z
dc.date.issued2020-06
dc.description.abstractenThesis: 81 p., 6 tabl., 16 fig., 2 adds, 18 references. Data was taken from archive.org from vstup.info page for 2016 year. Solution trees were chosen as the most optimal and fastest as classification algorithms. The web application is written using technologies such as NodeJs, React.js and Python for the classification model. In this work, I also had to write software that automatically collects data for training and classification. Decision trees were used to build the models. The prediction model was written in JupyterNotebook for better visualization. Several machine learning algorithms such as k-means, LinearRegression, Neural Networks and others have been considered. Decision trees showed the best results. Also, in order to get a high percentage of hits, modern methods of dataset preprocessing and feature engineering were used. You can develop the work in several directions. The first is to add web functionality to pay for the premium version of the product and improve what already exists. The second is to solve the problem of "early forecasting", which is discussed in detail later.uk
dc.description.abstractukДипломна робота містить: 81 с., 6 табл., 16 рис., 2 дод. та 18 джерела. Було досліджено дані з сайту vstup.info за 2016 рік. В якості алгоритмів класифікації було обрано дерева рішень як найоптимальніший та найшвидший. Веб додаток написано за допомогою таких технологій як NodeJs, React.js та Python для моделі класифікації. В цій роботі мені також довелося написати ПО яке в автоматичному режимі збирає дані для навчання та класифікації. Для побудови моделей були використані дерева рішень. Модель для прогнозування була написана у JupyterNotebook для кращої візуалізації. Були розглянуті декілька алгоритмів машинного навчання такі як k-means, LinearRegression, Neural Networks й інші. Дерева рішень показали найкращі результати. Також, щоб отримати високий процент попадань, були використані сучасні методи препроцесінгу датасетів та feature-інжинірингу. Розвивати роботу можна у декількох напрямках. Перший - додавати веб функціонал для оплати преміум версії продукту та покращувати те що вже є. Другий - вирішити проблему “раннього прогнозування”, котру детально розглянуто пізніше.uk
dc.format.page79 с.uk
dc.identifier.citationДрига, Е. А. Веб додаток аналізу прохідних балів для абітурієнтів : дипломна робота … бакалавра : 122 Комп'ютерні науки та інформаційні технології / Дрига Едуард Андрійович. – Київ, 2020. – 79 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/37407
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectаналіз прохідних балівuk
dc.subjectвступна компаніяuk
dc.subjectкласифікаційна модельuk
dc.subjectкласифікатор абітурієнтівuk
dc.subjectпрогнозування порогових балівuk
dc.subjectanalysis of passesuk
dc.subjectintroduction companyuk
dc.subjectclassification modeluk
dc.subjectclassifier of applicantsuk
dc.subjectforecasting threshold pointsuk
dc.titleВеб додаток аналізу прохідних балів для абітурієнтівuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Dryha_bakalavr.docx
Розмір:
2.64 MB
Формат:
Microsoft Word XML
Опис:
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 (ММСА)
Бакалаврські роботи