Search academic texts

Information × Registration Number 2125U003188, Article popup.category Бакалаврська робота Title Модель прогнозування успішності short-video серіалів на основі історичних даних (AI translated) popup.author Міхова Аріна СергіївнаMikhova Arina Serhiivna 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/123456789/76237 popup.publisher Київ Description Дипломна робота: 90 с., 13 рис., 7 табл., 2 дод., 13 джерел. Об’єкт дослідження — поведінка користувачів і конверсія в покупку підписки глядачів серіалу на момент його запуску. Предмет дослідження — методи та моделі машинного навчання для прогнозування успішності short-video серіалів на основі їхніх історичних показників (кумулятивної конверсії в покупку протягом перших 2 місяців запуску серіалу). Мета роботи — розробити модель, яка за даними перших днів після публікації короткого відео-серіалу прогнозуватиме ключовий показник його успіху – конверсія в покупку. Результат роботи — у рамках дослідження розроблено та протестовано прототип аналітичної системи для прогнозування кумулятивної конверсії коротких відео-серіалів на синтетичному наборі даних із 1000 прикладів. Система реалізує багатовихідкову архітектуру, яка на основі перших 15 днів реєстрації конверсії виробляє прогнози для періоду 15–59 днів. Було побудовано й налаштовано чотири ансамблеві моделі машинного навчання: GradientBoostingRegressor, RandomForestRegressor, HistGradientBoostingRegressor та CatBoostRegressor. Thesis: 90 p., 13 fig., 7 tabl., 2 app., 13 ref. Object of study — viewer behavior and conversion to subscription purchase by series viewers at the moment of launch. Subject of study — methods and machine learning models for predicting the success of short-video series based on their historical metrics (cumulative conversion to purchase during the first two months after series launch). Purpose of the work — to develop a model that, using data from the first days after a short-video series is published, will predict its key success metric—conversion to purchase. Result of the work — within this study, a prototype analytical system for predicting cumulative conversion of short-video series was developed and tested on a synthetic dataset of 1,000 examples. The system implements a multi-output architecture which, based on the first 15 days of recorded conversions, generates forecasts for the 15th–59th day period. Four ensemble machine learning models were built and tuned: GradientBoostingRegressor, RandomForestRegressor, HistGradientBoostingRegressor, and CatBoostRegressor. popup.nrat_date 2025-11-05 Close