Курсовая работа: Прогнозирование данных в среде low-code

СОДЕРЖАНИЕ

Введение.................................................................................................... 3
1 Теоретические основы нейросетей в low-code............................................ 6
1.1 Понятие нейросети low-code ............................................................. 6
1.2 Разработка сценария и получения результата в
Loginom............................................................................................ 9
1.3 Разработанный сценарий в
Loginom...................................................................................................... 11
2 Применение методов Data Mining в исследовании стоимости
квадратного метра в Краснодарском крае............................................. 21
2.1 Проведение корреляционного анализа............................................. 21
2.2 Моделирование при помощи линейной регрессии............................ 24
2.3 Проведение кластерного анализа..................................................... 27
2.4 Проведение факторного анализа...................................................... 32
2.5 Проведение биннинга...................................................................... 34
2.6 Моделирование при помощи логистической регрессии..................... 38
3 Улучшение модели прогнозирования инновационного развития
организаций в регионах Российской Федерации на основе нейросетей в
платформе Loginom.............................................................................. 43
3.1 Построение улучшенной модели линейной регрессии....................... 43
3.2 Построение улучшенной модели логистической регрессии ............... 46
3.3 Формирование выводов при исследовании недвижимости в
Краснодарском крае....................................................................... 50
Заключение.............................................................................................. 51
Список использованных источников.............................................................................. 52



Введение
Актуальность курсовой работы заключается в том, что в современном
информационном мире всё более распространённым становится потребность
в анализе больших баз данных Использование нейронных сетей в low-code аналитике обладает несколькими важными аспектами актуальности:
Демократизация машинного обучения: Low-code подход к разработке программного обеспечения позволяет более широкому кругу пользователей использовать нейронные сети для анализа данных. Это демократизирует доступ к мощным методам машинного обучения, позволяя аналитикам и бизнес-пользователям вносить ценный вклад в разработку и использование нейронных сетей.
Ускорение процесса разработки: Low-code платформы значительно ускоряют процесс разработки и внедрения нейронных сетей, так как они предоставляют инструменты для визуального создания, обучения и применения моделей без необходимости погружения в сложные технические детали.
Интеграция в бизнес-процессы: Нейронные сети, интегрированные
в low-code аналитику, позволяют улучшить бизнес-процессы за счет повышения точности прогнозирования, оптимизации принятия решений и автоматизации рутиноных операций на основе данных.
Автоматизация сложных задач анализа данных: Нейронные сети позволяют автоматизировать сложные задачи анализа и обработки данных,
что освобождает аналитиков и бизнес-пользователей от многих монотонных
и рутинных задач, позволяя им сосредоточиться на более стратегически важных задачах.
Быстрая адаптация к изменениям: Low-code платформы обеспечивают возможность быстрой адаптации нейронных сетей к изменяющимся бизнес-потребностям. Это особенно важно в быстро меняющихся средах,
где аналитические и прогностические модели должны быть гибкими
и адаптивными.
В целом, актуальность использования нейронных сетей в low-code аналитике заключается в их способности предоставлять мощные инструменты анализа данных и машинного обучения широкому кругу пользователей, ускорять.
Целью данной курсовой работы является - выявить эффективные зоны и способы использования нейросетей в low-cod аналитике. Для достижения цели необходимо выполнить ряд задач:
1. Идентификация бизнес-потребностей: Определить конкретные области и задачи, в которых могут быть применены нейронные сети
для улучшения бизнес-процессов.
2. Анализ данных и требований: Оценить типы данных, доступные для анализа, а также требования к прогностическим моделям для поддержки принятия решений.
3. Определение возможных сценариев использования: Выявить конкретные случаи использования, включая прогнозирование, классификацию, автоматизацию процессов и другие аспекты, которые могут быть улучшены
с помощью нейронных сетей.
4. Оценка готовности к технологической интеграции: Изучить техническую возможность интеграции нейронных сетей в существующие системы и процессы в рамках low-code аналитики.