Пошук академічних текстів

Інформація × Реєстраційний номер 2125U002815, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Інтелектуальний аналіз поведінки користувачів в освітньому веб-додатку для максимізації його прибутку Автор Селютін Дмитро АндрійовичSeliutin Dmytro Andriiovych Дата публікації 01-01-2025 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/75830 Видання Київ Опис Дипломна робота: 98 с., 28 рис., 14 табл., 29 посилань, додаток. Об’єктом дослідження є поведінка користувачів освітнього веб-додатку на початковому етапі взаємодії з продуктом. Предметом дослідження виступають методи машинного навчання для прогнозування користувацької цінності за історією їхніх дій. Метою роботи є побудова та оцінка класифікаційних моделей, що дозволяють виявляти рентабельних користувачів на основі перших трьох днів активності. Для цього застосовано Logistic Regression, Random Forest, XGBoost, LightGBM, CatBoost, Stacking тощо. Моделі оцінювалися як за класичними метриками точності (precision, recall, F1-score), так і з урахуванням очікуваної прибутковості. У роботі реалізовано повний цикл: очищення, агрегація та нормалізація подій, побудова ознак і цільової змінної, навчання моделей, підбір гіперпараметрів, оптимізація порогів та аналіз важливості ознак. Подальші дослідження можуть бути спрямовані на поєднання моделей із мультимодальними ознаками, використання трансформерних архітектур або впровадження онлайн-навчання в реальному часі. Bachelor's thesis: 98 p., 28 figures, 14 tables, 29 references, appendix. The object of the study is user behavior in an educational web application during the early stages of interaction. The subject of the study is machine learning methods used to predict the potential value of a user based on their initial actions. The aim of this work is to build and evaluate classification models for identifying high-revenue users based on their first three days of activity. The study employs Logistic Regression, Random Forest, XGBoost, LightGBM, CatBoost, Stacking, among others. The models are assessed using both classical metrics (precision, recall, F1-score) and expected business value. The work includes a full pipeline: event data preprocessing, feature engineering, label creation based on the full_expected_revenue quartile, model training, hyperparameter tuning, threshold optimization, and feature importance analysis. Future research may focus on combining models with multimodal features, applying transformer-based architectures, or implementing online learning in real-time environments. Додано в НРАТ 2025-11-05 Закрити