Очень доброжелательный и компетентный автор. Всегда был на связи, все разъяснил, предоставил несколько вариантов программы. Рекомендую.
Информация о работе
Подробнее о работе
Прогнозирование стоимости домов с помощью нейронных сетей. Python + Jupyter Notebook
- 30 страниц
- 2018 год
- 20 просмотров
- 5 покупок
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Все задачи, которые могут решать нейронные сети, так или иначе связаны с обучением. Среди основных областей применения нейронных сетей — прогнозирование, принятие решений, распознавание образов, оптимизация, анализ данных.
В каждой предметной области при ближайшем рассмотрении можно найти постановки задач для нейронных сетей. Одной из таких областей является экономика и бизнес, где решение такого рода задач имеет практическое значение уже сейчас:
- Прогнозирование временных рядов (курсов валют, цен на сырьё, спроса, объемов продаж, и т.д.);
- автоматический трейдинг (торговля на валютной, фондовой или товарной бирже);
- оценка рисков невозврата кредитов;
- предсказание банкротств;
- выявление переоцененных и недооцененных компаний;
- рейтингование;
- оптимизация товарных и денежных потоков.
Также, в указанный выше список, можно смело включить задачу оценки стоимости недвижимости, которая и будет рассматриваться в курсовой работе.
Введение 4
1 Теоретические сведения об использованных инструментах разработки 5
1.1 Инструменты IPython и Jupyter Notebook 5
1.2 Библиотеки для работы с данными: Numpy и Pandas 6
1.3 Графические библиотеки: Matplotlib и Seaborn 7
1.4 Библиотека для научных вычислений SciPy 9
1.4 Библиотеки машинного обучения: Scikit-learn и XGBoost 10
2 Проектирование и разработка приложения 12
2.1 Модель Ridge 12
2.2 Модель RandomForest 19
2.3 Модель XGBoost 21
Заключение 23
Список использованных источников 24
Приложение А Листинг программы 25
Реферат
Курсовой проект: 31 страница, 17 рисунков, 8 источников.
Ключевые слова: машинное обучение, модели, параметры, данные, набор данных, корреляция.
Объект исследования: наборы данных и модели машинного обучения
Предмет исследования: использование библиотек в языке Python для анализа и подготовки данных, создания и обучения моделей машинного обучения.
Цель курсового проекта: разработка моделей машинного обучения для решения задачи нелинейной регрессии.
Выводы: разработаны три модели различной архитектуры, способные достаточно точно решать поставленную задачу.
Список использованных источников
1 Интернет-сообщество исследователей данных и машинного обучения [Электронный ресурс] / Google, Inc., 2017. – Режим доступа: https://www.kaggle.com. – Дата доступа: 29.10.2018.
2 Бесплатная библиотека машинного обучения [Электронный ресурс] / Д. Копернау, 2013. – Режим доступа: https://scikit-learn.org. – Дата доступа: 2.11.2018
3 Документация по XGBoost[Электронный ресурс] – Режим доступа: https://xgboost.readthedocs.io/en/latest/. – Дата доступа: 15.11.2018.
4 Универсальная интернет-энциклопедия [Электронный ресурс] / Д. Уэйлс, Л. Сэнгер, 2001. – Режим доступа: https://ru.wikipedia.org. – Дата доступа: 24.10.2018.
5 Лутц М. Изучаем Python: Пер. с анг. / М. Лутц – СПб.: Символ-Плюс, 2011. – 1280 с.
6 Рашид Т. Создаем нейронную сеть: Пер. с анг. / Т. Рашид – СПб.: Вильямс, 2018 – 272 с.
7 Леппер Б., Ричард Т. Введение в технологию нейронных сетей с примерами программ: Пер. с анг. / Б. Леппер, Т. Ричард – СПб.: ГЛТел, 2011. – 408 с.
8 Мак-Кинни У. Python для анализа данных. Обработка данных с помощью Pandas, NumPy и IPython: Пер. с анг. / У. Мак-Кинни – СПб.: Вильямс, 2017. – 550 с.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
