Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/35563
Назва: Комп’ютеризована система формування ціни на нерухомість з використанням хмарних сервісів
Інші назви: Computer-aided system of estate property price formation using cloud services
Автори: Горохівський, Анатолій Володимирович
Horokhivskiy, Anatolii
Приналежність: Тернопільський національний технічний університет імені Івана Пулюя
Бібліографічний опис: Горохівський А. В. Комп’ютеризована система формування ціни на нерухомість з використанням хмарних сервісів : кваліфікаційна робота бакалавра за спеціальністю „123 — Комп’ютерна інженерія“ / Анатолій Володимирович Горохівський. – Тернопіль : ТНТУ, 2021. – 97 c.
Bibliographic description: Horokhivskiy A. Computer-aided system of estate property price formation using cloud services: Bachelor thesis „123 — Computer Engineering“ / Horokhivskiy Anatolii - Ternopil, TNTU, 2021 – 97 p.
Дата публікації: чер-2021
Дата подання: чер-2021
Дата внесення: 26-чер-2021
Видавництво: Тернопільський національний технічний університет імені Івана Пулюя
Країна (код): UA
Місце видання, проведення: Тернопільський національний технічний університет імені Івана Пулюя
Науковий керівник: Тиш, Євгенія Володимирівна
Tysh, Ievgeniia
Члени комітету: Цуприк, Галина Богданівна
Tsupryk, Halyna
УДК: 004.75
Теми: комп’ютеризована система
ціна
нерухомість
хмарний сервіс
learning
class
monitoring
accounting
system
Кількість сторінок: 97
Короткий огляд (реферат): У даній роботі спроектовано комп’ютеризовану систему формування ціни на нерухомість із застосуванням хмарних сервісів та реалізовано інтелектуальний модуль, який на основі параметрів і характеристик об’єктів нерухомості дозволяє формувати рекомендації кінцевому користувача. При розробці комп’ютеризованої системи формування ціни на нерухомість спроектовано її архітектуру, до складу якої входять два основних компоненти: веб-сайт або платформа з продажу нерухомості та хмарний сервіс, що забезпечує функціонування інтелектуальної складової формування ціни на нерухомість. Практична реалізація інтелектуального модуля формування ціни на нерухомість містить аналіз вхідного набору даних, препроцесинг даних, «feature engineering» та реалізацію моделей на основі алгоритму XGBoost, Lasso, нейронної мережі, а також ансамблю XGBoost+Lasso. У результаті експериментальних досліджень досягнуто найкращого результату на основі метрики середньоквадратичного відхилення на рівні 0,11792.
In this work, a computerized system of real estate pricing with the use of cloud services and implemented an intelligent module, which based on the parameters and characteristics of real estate allows you to make recommendations to the end user. When developing a computerized real estate pricing system, its architecture was designed, which includes two main components: a website or real estate sales platform and a cloud service that ensures the functioning of the intellectual component of real estate pricing. The practical implementation of the intelligent module of real estate pricing includes analysis of the input data set, data preprocessing, "feature engineering" and implementation of models based on the algorithm XGBoost, Lasso, neural network, as well as the ensemble XGBoost + Lasso. As a result of experimental studies, the best result was achieved on the basis of the standard deviation metric at the level of 0,11792.
Зміст: ПЕРЕЛІК ОСНОВНИХ УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ І СКОРОЧЕНЬ 7 ВСТУП 8 1 АНАЛІЗ ТЕХНІЧНОГО ЗАВДАННЯ ТА ХАРАКТЕРИСТИК ХМАРНИХ ПЛАТФОРМ 9 1.1 Аналіз вимог до комп’ютеризованої системи формування ціни на нерухомість 9 1.2 Аналіз хмарних платформ і сервісів при проектуванні комп’ютеризованої системи формування ціни на нерухомість 16 2 АРХІТЕКТУРА КОМП’ЮТЕРИЗОВАНОЇ СИСТЕМИ ТА МОДЕЛЬ ПРОГНОЗУВАННЯ ВАРТОСТІ ОБ’ЄКТІВ НЕРУХОМОСТІ 23 2.1 Проектування структури комп’ютеризованої системи формування ціни на нерухомість з використанням хмарних сервісів 23 2.2 Моделі та алгоритми розв’язку регресійних задач 29 2.2.1 Підхід до прогнозування ціни на основі лінійної регресії 29 2.2.2 Підхід на основі дерев прийняття рішень 33 2.2.3 Підхід до прогнозування ціни нерухомості на основі нейронних мереж 36 2.3 Процедура побудови інтелектуального модуля прогнозування вартості нерухомості 39 3 ПОБУДОВА І ПРОГРАМНА РЕАЛІЗАЦІЯ МОДЕЛІ ПРОГНОЗУВАННЯ ЦІНИ НА НЕРУХОМІСТЬ 42 3.1 Аналіз вхідного набору даних з характеристиками об’єктів нерухомості 42 3.2 Препроцесинг даних при побудові рекомендацій ціни на нерухомість 56 3.3 Інженерія даних при побудові моделі прогнозування ціни нерухомості 58 3.4 Навчання і тестування моделі прогнозування вартості нерухомості 61 4 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 66 ВИСНОВКИ 67 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 68
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/35563
Власник авторського права: © Горохівський Анатолій Володимирович, 2021
Перелік літератури: 1. К. О Нил, Шатт Р. Data Science. Инсайдерская информация для новичков. Включая язык R. Издательский дом "Питер". 2018. 368 с. 2. Фоусет Т., Провост Ф. Data Science для бізнесу: Як збирати, аналізувати і використовувати дані. Наш формат. Київ. 2019. 400 с. 3. Линейная регрессия и методы её восстановления. URL: https://habr.com/ru/post/465743/ (дата звернення 04.05.2021 р.) 4. Алгоритм XGBoost: пусть он царствует долго! URL: https://medium.com/nuances-of-programming/%D0%B0%D0%BB%D0%B3%D0% BE%D1%80%D0%B8%D1%82%D0%BC-xgboost-%D0%BF%D1%83%D1%81% D1%82%D1%8C-%D0%BE%D0%BD-%D1%86%D0%B0%D1%80%D1%81%D1 %82%D0%B2%D1%83%D0%B5%D1%82-%D0%B4%D0%BE%D0%BB%D0% B3%D0%BE-dc8c4eca3fbc (дата звернення 06.05.2021 р.) 5. Predict the value of your house using Azure Machine Learning. URL: https://channel9.msdn.com/Blogs/Seth-Juarez/Predict-the-value-of-your-house-using-Azure-Machine-Learning (дата звернення 21.04.2021 р.) 6. Building a Regression Model to Predict Real Estate Sales Price. URL: https://gallery.azure.ai/Experiment/Building-a-Regression-Model-to-Predict-Real-Estate-Sales-Price-1 (дата звернення 29.04.2021 р.) 7. 9 ключевых алгоритмов машинного обучения простым языком. URL: https://habr.com/ru/post/509472/ (дата звернення 10.05.2021 р.) 8. Рекомендательные системы. URL: http://www.numberscompany.ru/ products/recommenders (дата звернення 20.03.2021 р.) 9. Гомзин А., Коршунов А. Системы рекомендаций: обзор современных подходов. Труды ИСП РАН. 2012. URL: http://cyberleninka.ru/article/n/sistemy-rekomendatsiy-obzorsovremennyh-podhodov (дата звернення 27.03.2021 р). 10. Linden G., Smith B., York J. Amazon.com recommendations: Item-to-item collaborative filtering. IEEE Internet Computing. vol. 7. No. 1. 2003. pp. 76–80. 11. Python‑recsys on Github. URL: https://github.com/ocelma/python‑recsys (дата звернення 15.04.2021 р). 12. Preprocessing data. URL: https://scikit-learn.org/stable/modules/ preprocessing.html#preprocessing (дата звернення 28.04.2021 р.). 13. API reference. URL: https://pandas.pydata.org/docs/reference/index.html (дата звернення 03.05.2021 р.). 14. NumPy Reference. URL: https://numpy.org/doc/stable/reference/index.html (дата звернення 08.05.2021 р.) 15. Барсегян А. Анализ данных и процессов. 3 изд. БХВ-Петербург. 2009. 512 с. 16. Breese J., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering. Proc. 14th Conf. Uncertainty in Artificial Intelligence. 1998. pp. 223-234. 17. Adomavicius G. На пути к новому поколению рекомендационных систем: обзор имеющихся систем и возможные инновации. IEEE Transactions on Knowledge and Data Engineering. Vol. 17. No. 6. 2005. c. 78-86 18. Лексин В.А. Анализ клиентских сред: выявление скрытых профилей и оценивание сходства клиентов и ресурсов. Математические методы распознавания образов-13. М. МАКС Пресс. 2007. С. 488-491 19. Kurucz M., Benczur A., Csalogany K. Methods for large scale SVD with missing values. Proceedings of KDD Cup and Workshop. 2007. pp. 122-129. 20. ДСанПіН 3.3-2.007-98 Державні санітарні правила і норми роботи з візуальними дисплейними терміналами електронно-обчислювальних машин. - Київ, 1999. - 18с. 21. НПАОП 0.00-1.28-10 «Правила охорони праці під час експлуатації електронно-обчислювальних машин». – Київ, 2010. – 8 с.
Тип вмісту: Bachelor Thesis
Розташовується у зібраннях:123 — Комп’ютерна інженерія (бакалаври)

Файли цього матеріалу:
Файл Опис РозмірФормат 
Horohivskyy.pdf3,52 MBAdobe PDFПереглянути/відкрити
Авторська_довідка_Горохівський_А.doc46,5 kBMicrosoft WordПереглянути/відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора