ВВЕДЕНИЕ 3
1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ 5
1.1. Обзор алгоритмов поиска частых наборов 5
1.2. Обзор алгоритма поиска ассоциативных правил 9
1.3. Обзор существующих решений 11
2. ИССЛЕДОВАНИЕ ПРОИЗВОДИТЕЛЬНОСТИ АЛГОРИТМОВ ПОИСКА ЧАСТО ВСТРЕЧАЮЩИХСЯ НАБОРОВ 14
2.1. Исследование производительности алгоритмов по количеству транзакций 14
2.2. Исследование производительности алгоритмов по значению минимальной «поддержки» 15
2.3. Выводы 17
3. ПРОЕКТИРОВАНИЕ И РАЗРАБОТКА МОДЕЛИ 18
3.1. Определение входных параметров модели 18
3.2. Предобработка данных 19
3.3. Анализ и подбор алгоритма поиска частых наборов 23
3.4. Проектирование компонента поиска ассоциативных правил 30
3.5. Построение модели из компонентов 31
3.6. Обзор используемых технологий и инструментов при разработке модели 33
4. ТЕСТОВАЯ ЭКСПЛУАТАЦИЯ 35
5. РАЗРАБОТКА ИНТЕРФЕЙСА ПРИЛОЖЕНИЯ 37
5.1. Разработка API приложения 37
5.2. Разработка клиентской части 38
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 40
ПРИЛОЖЕНИЯ 43
Приложение 1. Исходный код основных модулей 43
При наличии набора клиентских транзакций по позициям основная цель состоит в том, чтобы определить корреляции между продажами товаров.
При анализе потребительской корзины можно выявить динамику изменения содержимого корзины по времени, а также динамику изменения цен на продукты и услуги.
Однако, при появлении больших объемов данных возникает такая проблема, как скорость анализа представленных данных. При современных вычислительных мощностях эта проблема частично решается аппаратными средствами. Но даже при современном развитии цифровых и компьютерных технологий, не все могут позволить наличие высокопроизводительных систем. Многие алгоритмы интеллектуального анализа данных и поиска ассоциативных правил [3] также продолжают быть медленными с точки зрения скорости обработки данных.
Целью данной работы является проектирование и разработка модели поиска ассоциативных правил, которые будут принимать набор транзакций с товарами, проводить анализ и выявлять часто встречающиеся наборы товаров и корреляцию между ними.
Для достижения вышеуказанной цели необходимо решить следующие задачи:
1. Провести обзор и сравнительный анализ существующих алгоритмов поиска часто встречающихся наборов.
2. Провести обзор существующих программных систем поиска ассоциативных правил.
3. Спроектировать и реализовать модель поиска ассоциативных правил.
4. Спроектировать и разработать API программной системы для поиска ассоциативных правил.
5. Разработать клиентскую часть Веб-приложения для визуализации полученных ассоциативных правил.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка модели поиска ассоциативных правил для анализа потребительской корзины #9103761
Артикул: 9103761
- Предмет: Программирование
- Уникальность: 70% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 48
- Формат файла: docx
1 999p.
2 500p.
Только 20 и 21 апреля!
1. Федеральный закон от 24.10.1997г. № 134-ФЗ «О прожиточном минимуме в Российской Федерации» [Электронный ресурс]. – Режим доступа: http://kremlin.ru/acts/bank/11590 (дата обращения 15.06.2021).
2. Интерфакс [Электронный ресурс]. – Режим доступа: https://www.interfax.ru/russia/692237 (дата обращения: 15.06.2021).
3. Бурец, А.С. Ассоциативные правила и алгоритмы их поиска/ А.С. Бурец
// Международный научный журнал «Научные вести». – 2019. – №12. – С. 88 – 98.
4. Национальный открытый университет ИНТУИТ [Электронный ресурс].
– Режим доступа: https://intuit.ru/studies/courses/6/6/lecture/186?page=2 (дата обращения 15.06.2021).
5. R. Agrawal, T. Imielinski, A. Swami. Mining Associations between Sets of Items in Massive Databases. In Proc. of the 1993 ACM-SIGMOD Int’l Conf. on Management of Data. – 1993 – P. 207 – 216.
6. Zaki M. J. Scalable algorithms for association mining // IEEE Transactions on Knowledge and Data Engineering. — 2000. — Т. 12, №. 3. – P.372 – 390
7. Jiawei Han, Jian Pei, Yiwen Yin, Runying Mao. Mining Frequent Patterns Without Candidate Generation // Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. — 2000. — Т. SIGMOD '00. — P. 1–12.
8. Software Testing Help [Электронный ресурс]. – Режим доступа: https://www.softwaretestinghelp.com/fp-growth-algorithm-data-mining/ (дата обращения: 15.06.2021)
9. НГТУ НЭТИ Факультет прикладной математики и информатики [Электронный ресурс]. – Режим доступа:
https://ami.nstu.ru/~vms/lecture/data_mining/rules.htm (дата обращения: 15.06.2021).
10. Loginom [Электронный ресурс]. – Режим доступа: https://wiki.loginom.ru/articles/lift-of-association-rule.html (дата обращения: 15.06.2021).
11. SPMF An Open-Source Data Mining Library [Электронный ресурс]. – Режим доступа: https://www.philippe-fournier-viger.com/spmf/ (дата обращения: 15.06.2021).
12. Machine Learning in Waikato University [Электронный ресурс]. – Режим доступа: https://www.cs.waikato.ac.nz/~ml/weka/ (дата обращения: 15.06.2021).
13. Orange Data Mining [Электронный ресурс]. – Режим доступа: https://orangedatamining.com/blog/2016/04/25/association-rules-in-orange/ (дата обращения: 15.06.2021).
14. Kaggle [Электронный ресурс]. – Режим доступа: https://www.kaggle.com/lakshmi25npathi/online-retail-dataset (дата обращения: 15.06.2021).
15. Python [Электронный ресурс]. – Режим доступа: https://www.python.org/ (дата обращения: 15.06.2021).
16. Pandas [Электронный ресурс]. – Режим доступа: https://pandas.pydata.org/ (дата обращения 15.06.2021).
17. NumPy [Электронный ресурс]. – Режим доступа: https://numpy.org/ (дата обращения: 01.06.2021).
18. MLxtend [Электронный ресурс]. – Режим доступа: http://rasbt.github.io/mlxtend/ (дата обращения: 15.06.2021).
19. Flask [Электронный ресурс]. – Режим доступа: https://flask.palletsprojects.com/en/2.0.x/ (дата обращения: 15.06.2021).
20. JSON [Электронный ресурс]. – Режим доступа: https://www.json.org/json-en.html (дата обращения: 15.06.2021)
21. ChartJs [Электронный ресурс]. – Режим доступа: https://www.chartjs.org/ (дата обращения: 15.06.2021)
2. Интерфакс [Электронный ресурс]. – Режим доступа: https://www.interfax.ru/russia/692237 (дата обращения: 15.06.2021).
3. Бурец, А.С. Ассоциативные правила и алгоритмы их поиска/ А.С. Бурец
// Международный научный журнал «Научные вести». – 2019. – №12. – С. 88 – 98.
4. Национальный открытый университет ИНТУИТ [Электронный ресурс].
– Режим доступа: https://intuit.ru/studies/courses/6/6/lecture/186?page=2 (дата обращения 15.06.2021).
5. R. Agrawal, T. Imielinski, A. Swami. Mining Associations between Sets of Items in Massive Databases. In Proc. of the 1993 ACM-SIGMOD Int’l Conf. on Management of Data. – 1993 – P. 207 – 216.
6. Zaki M. J. Scalable algorithms for association mining // IEEE Transactions on Knowledge and Data Engineering. — 2000. — Т. 12, №. 3. – P.372 – 390
7. Jiawei Han, Jian Pei, Yiwen Yin, Runying Mao. Mining Frequent Patterns Without Candidate Generation // Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. — 2000. — Т. SIGMOD '00. — P. 1–12.
8. Software Testing Help [Электронный ресурс]. – Режим доступа: https://www.softwaretestinghelp.com/fp-growth-algorithm-data-mining/ (дата обращения: 15.06.2021)
9. НГТУ НЭТИ Факультет прикладной математики и информатики [Электронный ресурс]. – Режим доступа:
https://ami.nstu.ru/~vms/lecture/data_mining/rules.htm (дата обращения: 15.06.2021).
10. Loginom [Электронный ресурс]. – Режим доступа: https://wiki.loginom.ru/articles/lift-of-association-rule.html (дата обращения: 15.06.2021).
11. SPMF An Open-Source Data Mining Library [Электронный ресурс]. – Режим доступа: https://www.philippe-fournier-viger.com/spmf/ (дата обращения: 15.06.2021).
12. Machine Learning in Waikato University [Электронный ресурс]. – Режим доступа: https://www.cs.waikato.ac.nz/~ml/weka/ (дата обращения: 15.06.2021).
13. Orange Data Mining [Электронный ресурс]. – Режим доступа: https://orangedatamining.com/blog/2016/04/25/association-rules-in-orange/ (дата обращения: 15.06.2021).
14. Kaggle [Электронный ресурс]. – Режим доступа: https://www.kaggle.com/lakshmi25npathi/online-retail-dataset (дата обращения: 15.06.2021).
15. Python [Электронный ресурс]. – Режим доступа: https://www.python.org/ (дата обращения: 15.06.2021).
16. Pandas [Электронный ресурс]. – Режим доступа: https://pandas.pydata.org/ (дата обращения 15.06.2021).
17. NumPy [Электронный ресурс]. – Режим доступа: https://numpy.org/ (дата обращения: 01.06.2021).
18. MLxtend [Электронный ресурс]. – Режим доступа: http://rasbt.github.io/mlxtend/ (дата обращения: 15.06.2021).
19. Flask [Электронный ресурс]. – Режим доступа: https://flask.palletsprojects.com/en/2.0.x/ (дата обращения: 15.06.2021).
20. JSON [Электронный ресурс]. – Режим доступа: https://www.json.org/json-en.html (дата обращения: 15.06.2021)
21. ChartJs [Электронный ресурс]. – Режим доступа: https://www.chartjs.org/ (дата обращения: 15.06.2021)
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка модели поиска ассоциативных правил для анализа потребительской корзины |
| Артикул: | 9103761 |
| Дата написания: | 29.04.2021 |
| Тип работы: | Магистерская диссертация |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 70% |
| Количество страниц: | 48 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Разработка модели поиска ассоциативных правил для анализа потребительской корзины по предмету программирование
Пролистайте "Разработка модели поиска ассоциативных правил для анализа потребительской корзины" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 19.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 70% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка ML-моделей для распознавания паттернов на графиках финансового рынка
СЛЕДУЮЩАЯ РАБОТА
Разработка моделей машинного обучения на основе нейронных сетей с интегрированными базами знаний