Аналіз сучасних моделей машинного навчання для задачі прогнозування цін на автомобілі

Скорочена інформація про документ
dc.contributor.advisorШаповал, Наталія Віталіївна
dc.contributor.authorКравчук, Уляна Олександрівна
dc.date.accessioned2025-09-16T08:14:08Z
dc.date.available2025-09-16T08:14:08Z
dc.date.issued2025
dc.description.abstractДипломна робота: 115 ст., 38 рис.,10 табл., 25 посилань, 2 додатки. У роботі досліджено застосування сучасних моделей машинного навчання для задачі прогнозування цін на автомобілі. Основну увагу зосереджено на порівнянні класичного методу градієнтного бустингу XGBoost з сучасними підходами – Kolmogorov-Arnold Network та TabNet. Описано повний цикл побудови моделей: від попередньої обробки та аналізу даних до тренування, оцінки точності та інтерпретації результатів. Метою дослідження є аналіз ефективності сучасних моделей машинного навчання для задачі прогнозування цін. Об’єктом дослідження є процес прогнозування цін вживаних автомобілів на основі вибірки даних, що містить інформацію про характеристики транспортних засобів, їхній технічний стан та географічне розташування. Предметом дослідження виступають сучасні моделі машинного навчання для розв’язання регресійної задачі. Актуальність роботи зумовлена як зростаючою потребою у точному моделюванні вартості транспортних засобів, так і інтересом до новітніх інтерпретованих архітектур у сфері машинного навчання. У роботі проаналізовано підходи до прогнозування цін вживаних автомобілів. Показано переваги сучасних архітектур, які забезпечують високу точність прогнозування та інтерпретованість результатів і задачі регресії.
dc.description.abstractotherThesis: 115 pages, 38 figures,10 tables, 25 sources, 2 appendices. The study explores the application of modern machine learning models to the task of car price prediction. The primary focus is on comparing the classical gradient boosting method XGBoost with contemporary approaches—Kolmogorov-Arnold Network and TabNet. The full modeling pipeline is described, from data preprocessing and analysis to model training, accuracy evaluation, and result interpretation. The purpose of the study is to analyze the effectiveness of modern machine learning models in solving the car price prediction problem. The object of the study is the process of predicting used car prices based on a dataset containing information about vehicle characteristics, technical condition, and geographical location. The subject of the study is modern machine learning models used to solve a regression problem. The relevance of this work is driven by the growing need for accurate vehicle price modeling and the increasing interest in novel interpretable architectures in the field of machine learning. The study analyzes various approaches to predicting used car prices and highlights the advantages of modern architectures that ensure high predictive accuracy and interpretability in solving regression tasks.
dc.format.extent115 с.
dc.identifier.citationКравчук, У. О. Аналіз сучасних моделей машинного навчання для задачі прогнозування цін на автомобілі : дипломна робота … бакалавра : 122 Комп'ютерні науки / Кравчук Уляна Олександрівна. – Київ, 2025. – 115 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/76033
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування цін
dc.subjectвторинний ринок автомобілів
dc.subjectмоделі машинного навчання
dc.subjectмоделі xgboost
dc.subjecttabnet
dc.subjectkolmogorov-arnold network
dc.titleАналіз сучасних моделей машинного навчання для задачі прогнозування цін на автомобілі
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kravchuk_bakalavr.pdf
Розмір:
4 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