Алгоритмічні моделі машинного навчання для аналізу та прогнозування у сфері кінематографу

Вантажиться...
Ескіз

Дата

2025

Назва журналу

Номер ISSN

Назва тому

Видавець

КПІ ім. Ігоря Сікорського

Анотація

Дипломна робота: 108 с., 14 рис., 11 табл., 2 додатки, 14 джерел. Об’єктом дослідження є процеси аналізу та прогнозування показників ефективності фільмів у кінематографічній галузі за допомогою алгоритмів машинного навчання. Предметом дослідження є застосування методів регресії, рекомендаційних систем і модифікованих моделей бустингу для прогнозування касових зборів та формування персоналізованих рекомендацій на основі контентних ознак фільмів. Метою даної роботи є дослідження та практичне застосування алгоритмічних моделей машинного навчання для аналізу, прогнозування та рекомендації у сфері кінематографу з урахуванням бюджетної значущості фільмів у функції втрат. Методи розробки базуються на використанні алгоритмів машинного навчання, математичної статистики. Попередній аналіз і обробка даних проводилися із залученням основних підходів статистичного аналізу даних та теорії випадкових процесів. Модифікація алгоритмів для побудови рекомендаційних систем спиралася на введення допоміжних ознак, а також розширення стандартних моделей шляхом коригування функцій втрат. Практичне значення полягає у можливості застосування розробленої системи для оцінки комерційного потенціалу фільмів, підтримки прийняття рішень у кіновиробництві, а також покращення користувацького досвіду через рекомендаційний модуль, що допомагає глядачам знаходити фільми на основі їхніх уподобань.

Опис

Ключові слова

алгоритмічні моделі, машинне навчання, аналіз, прогнозування, кінематограф, рекомендаційні системи, algorithmic models, machine learning, analysis, forecasting, cinematography, recommendation systems

Бібліографічний опис

Пахомов, М. Р. Алгоритмічні моделі машинного навчання для аналізу та прогнозування у сфері кінематографу : дипломна робота … бакалавра : 124 Системний аналіз / Пахомов Максим Романович. – Київ, 2025. – 108 с.

ORCID

DOI