Search academic texts

Information × Registration Number 2125U003149, Article popup.category Бакалаврська робота Title Кластеризацiя та зниження розмiрностi даних користувачiв мобiльних пристроїв для виявлення поведiнкових патернiв i активних груп (AI translated) popup.author Саніцька Марія РоманівнаSanitska Mariya Romanivna popup.publication 01-01-2025 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/76215 popup.publisher Київ Description Дипломна робота містить: 99 с., 6 табл., 27 рис., 2 дод., 21 джерел. Метою роботи є побудова кластерної моделі, яка дозволяє виявляти активні групи користувачів мобільних пристроїв на основі поведінкових даних із попереднім зниженням розмірності. Отримані результати можуть бути використані для підвищення ефективності персоналізації цифрових сервісів, сегментації аудиторії та таргетованого маркетингу. Об’єктом дослідження є цифрові сліди користувачів мобільних пристроїв, що відображають їхню реальну поведінку в цифровому середовищі. Предметом дослідження виступають алгоритми кластерного аналізу та методи зниження розмірності даних. У ході виконання роботи було реалізовано програмний прототип на Python, що включає підготовку даних, кластеризацію за допомогою алгоритмів, а також оцінювання якості кластерів за метриками. Проведено функціонально-вартісний аналіз програмного продукту та обґрунтовано вибір оптимального варіанта реалізації. The thesis contains: 99 pages, 6 tables, 27 figures, 2 appendices, 21 references. The purpose of this work is to build a clustering model that enables the identification of active groups of mobile device users based on behavioral data, with prior dimensionality reduction. The obtained results can be used to improve the effectiveness of digital service personalization, audience segmentation, and targeted marketing. The object of the study is the digital traces of mobile device users, which reflect their actual behavior in the digital environment. The subject of the study is clustering algorithms and methods for dimensionality reduction. In the course of the work, a software prototype was implemented in Python, which includes data preprocessing, clustering using algorithms, and evaluation of cluster quality using relevant metrics. A functional-cost analysis of the software product was carried out, and the optimal implementation option was substantiated. popup.nrat_date 2025-11-05 Close