DOI: https://doi.org/10.31319/2519-8106.1(42)2020.207020

МЕТОДИ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ДАННИХ ТА ЇХ ЗАСТОСУВАННЯ У СФЕРІ ЕЛЕКТРОННОЇ КОМЕРЦІЇ

Олена Миколаївна Міхайлуца, Андрій Володимирович Пожуєв, Владислав Володимирович Тищенко

Анотація


Розглянуто питання, пов'язані з областю інтелектуального аналізу даних. Досліджено основні методи та інструменти Data Mining, які застосовуються у високопродуктивній інтелектуальній аналітичній обробці даних. Досліджено проблему автоматизованого аналізу покупок. Представлені результати застосування методів інтелектуального аналізу даних - Data Mining, зокрема, розробленого парсеру та системи попередньої обробки даних. Розроблено клієнт-серверний додаток з веб-інтерфейсом для аналізу та класифікації товарів на основі їх характеристик.

Ключові слова


статистичний аналіз; машинне навчання; Data Science; Data Mining

Повний текст:

PDF

Посилання


Kashnitsky Yu.S. (2015). Istoriya razvitiya ansamblevykh metodov klassifikatsii v mashinnom obuchenii [The history of the development of ensemble classification methods in machine learning]. Retrieved from https://www.researchgate.net/publication/278019662_Istoria_ razvitia_ansamblevyh_metodov_klassifikacii_v_masinnom_obucenii

Kovalenko O.S. (2010). Obzor problem i perspektiv analiza dannykh [Overview of problems and prospects of data analysis]. Informatika, vychislitel'naya tekhnika i inzhenernoye obrazovaniye – Computer science, computer engineering and engineering education, 2, 15–31 [in Ukrainian].

Stepanov R.G. (2008). Tekhnologiya Data Mining: intellektual'nyy analiz dannykh [Data Mining Technology: Data Mining]. Kazan': Kazanskiy gosudarstvennyy universitet im. V.I.Ul'yanova-Lenina [in Russian].

Manyika J. & Chui M. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute.

Dhar V. (2013). Data Science and Prediction. Communications of the ACM. (Vols. 56), 12, 64–73.

Tsinbyao S. (2017). Osobennosti primeneniya bol'shikh dannykh v elektronnoy kommertsii [Features of the use of big data in e-commerce]. Mezhdunarodnaya torgovlya i torgovaya politika – International trade and trade policy, 4, 114–119 [in Russian].

Nikitina O. V. (2015). Statisticheskiy analiz potrebitel'skikh predpochteniy v elektronnoy kommertsii [Statistical analysis of consumer preferences in electronic commerce]. Voprosy statistiki – Questions of statistics, 6, 46–52 [in Russian].

Han C., Camberb M. & Pei C. (2011). Data Mining: Concepts and Methods. Morgan Kaufmann Publishers.

Shorokhova I.S., Kislyak N.V. & Mariev O.S. (2015). Statisticheskiye metody analiza [Statistical analysis methods]. Yekaterinburg: Izd-vo Ural. un-ta [in Russian].

Wickem H. & Groulmund G. (2017). Language R in the problems of data science: import, preparation, processing, visualization and modeling of data. Williams.

Taddy М. (2019). Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions. New York: McGraw-Hill.

Abe N., Freund Y. & Schapire R. (1999). A Short Introduction to Boosting. Retrieved from https://www.semanticscholar.org/paper/A-Short-Introduction-to-Boosting-Abe-Freund/ 147f1c125a26d3115ee78a033df0c33eeb8c430b/р.

Breiman L. (2001). Random Forests. Machine Learning, 45(1), 5–32.

Troelsen E. (2013). Programming language C # 5.0 and platform .NET 4.5. Williams.




Текст

ISSN 2519-8106 (Print), eISSN 2519-8114 (Online)