Search academic texts

Information × Registration Number 2125U003204, Article popup.category Бакалаврська робота Title Аналіз сучасних моделей машинного навчання для задачі прогнозування цін на автомобілі (AI translated) popup.author Кравчук Уляна ОлександрівнаKravchuk Ulyana Oleksandrivna 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/123456789/76033 popup.publisher Київ Description Дипломна робота: 115 ст., 38 рис.,10 табл., 25 посилань, 2 додатки. У роботі досліджено застосування сучасних моделей машинного навчання для задачі прогнозування цін на автомобілі. Основну увагу зосереджено на порівнянні класичного методу градієнтного бустингу XGBoost з сучасними підходами – Kolmogorov-Arnold Network та TabNet. Описано повний цикл побудови моделей: від попередньої обробки та аналізу даних до тренування, оцінки точності та інтерпретації результатів. Метою дослідження є аналіз ефективності сучасних моделей машинного навчання для задачі прогнозування цін. Об’єктом дослідження є процес прогнозування цін вживаних автомобілів на основі вибірки даних, що містить інформацію про характеристики транспортних засобів, їхній технічний стан та географічне розташування. Предметом дослідження виступають сучасні моделі машинного навчання для розв’язання регресійної задачі. Актуальність роботи зумовлена як зростаючою потребою у точному моделюванні вартості транспортних засобів, так і інтересом до новітніх інтерпретованих архітектур у сфері машинного навчання. У роботі проаналізовано підходи до прогнозування цін вживаних автомобілів. Показано переваги сучасних архітектур, які забезпечують високу точність прогнозування та інтерпретованість результатів і задачі регресії. Thesis: 115 pages, 38 figures,10 tables, 25 sources, 2 appendices. The study explores the application of modern machine learning models to the task of car price prediction. The primary focus is on comparing the classical gradient boosting method XGBoost with contemporary approaches—Kolmogorov-Arnold Network and TabNet. The full modeling pipeline is described, from data preprocessing and analysis to model training, accuracy evaluation, and result interpretation. The purpose of the study is to analyze the effectiveness of modern machine learning models in solving the car price prediction problem. The object of the study is the process of predicting used car prices based on a dataset containing information about vehicle characteristics, technical condition, and geographical location. The subject of the study is modern machine learning models used to solve a regression problem. The relevance of this work is driven by the growing need for accurate vehicle price modeling and the increasing interest in novel interpretable architectures in the field of machine learning. The study analyzes various approaches to predicting used car prices and highlights the advantages of modern architectures that ensure high predictive accuracy and interpretability in solving regression tasks. popup.nrat_date 2025-11-05 Close