Прогнозування успішності товару в інтернет-магазині

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-24 Хайнасом Олександром Юрійовичем. Тема “Прогнозування успішності товару в інтернет-магазині”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є успішність товарів в інтернет-магазині. Предметом досліджень є методи прогнозування успішності товарів з використання моделей машинного навчання з учителем та ансамблевих алгоритмів. Досягнення мети відбувається за рахунок розробки двох моделей глибинного навчання та їх об’єднання. Одна модель використовує на вході оброблені дані про товари, а інша модель базується на зображеннях товару. Апробацію моделей здійснено з використанням реальних даних інтернет-магазинів. У результаті виконання дипломної роботи створено об’єднану модель з двох алгоритмів глибинного навчання, яка дозволяє прогнозувати успішність нового товару в інтернет-магазині, базуючись на даних про товар та його зображення. Тема дослідження вкрай актуальна, вона може сприяти підвищенню якості роботи інтернет-магазинів і водночас бути корисною як для бізнесу, так і для клієнтів. Враховуючи швидке зростання електронної комерції, здатність прогнозування популярності товару може стати ключовою для успіху інтернет-магазинів. Використання глибинного навчання та машинного навчання для аналізу даних товару та його зображення може надати значущу перевагу у конкурентній боротьбі. Загальний обсяг роботи: 65 сторінок, 26 рисунки, 18 посилань. Master’s degree work of the student of the group CSAI-21 Khainas Oleksandr Yuriyovich. The topic is " Predicting product success in an online store". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of the study is the success of products in online stores. The subject of the research involves methods of predicting product success using supervised machine learning models and ensemble algorithms. Achieving the objective is done by developing two deep learning models and their integration. One model takes pre-processed product data as input, while the other model is based on product images. The models were tested using real online store data. As a result of the thesis work, a combined model from two deep learning algorithms was created, which allows predicting the success of a new product in an online store based on product data and its image. The research topic is extremely relevant as it can help enhance the operation of online stores and simultaneously be beneficial for both businesses and customers. Considering the rapid growth of e-commerce, the ability to predict product popularity can be pivotal for the success of online stores. Employing deep learning and machine learning to analyze product data and its imagery can provide a significant competitive advantage. The total volume of work: 65 pages, 26 figures, 18 references.