ivdon3@bk.ru
Данная статья посвящена изучению возможностей технологии машинного обучения для прогнозирования спроса на товары. В исследовании анализируются различные модели и возможности их применения в рамках задачи предсказания будущих продаж. Наибольшее внимание акцентировано на современных методах анализа временных рядов, в частности нейросетевые и статистические подходы. Полученные в ходе исследования результаты наглядно демонстрируют преимущества и недостатки разных моделей, степень влияния их параметров на точность прогноза в рамках задачи прогнозирования спроса. Практическая значимость полученных выводов определяется возможностью использования полученных результатов в анализе схожего набора данных Актуальность исследования обусловлена необходимостью точного прогнозирования спроса на товары для оптимизации запасов и сокращения издержек. Использование современных методов машинного обучения позволяет повышать точность предсказаний, что особенно важно в условиях нестабильного рынка и изменяющегося потребительского спроса.
Ключевые слова: алгоритмы машинного обучения, оценка спроса, точность прогнозирования, анализ временных последовательностей, предсказание объемов продаж, Python, авторегрессионная интегрированная скользящая средняя, случайный лес, градиентный бустинг, нейронные сети
Данная статья исследует подход контент-ориентированной фильтрации в современных рекомендательных системах, уделяя особое внимание его ключевым принципам, методам реализации и метрикам оценки. В исследовании подчеркиваются преимущества контент-ориентированных систем в сценариях, требующих глубокого анализа объектов и моделирования пользовательских предпочтений, особенно в условиях недостатка данных для коллаборативной фильтрации.
Ключевые слова: контент - ориентированная фильтрация, рекомендательные системы, выделение характеристик, метрики сходства, персонализация
2.3.1 - Системный анализ, управление и обработка информации , 2.3.4 - Управление в организационных системах