TRADE-IN АВТО БАҒАЛАРЫН БОЛЖАУ КЕЗIНДЕ ЖІКТЕУ ӘДІСТЕРІН САЛЫСТЫРМАЛЫ ТАЛДАУ

Мақалада автокөлік бағасын болжау үшін машиналық оқыту алгоритмдері енгізілген және талданған. Бағаны болжау – күрделі, бірақ қызықты тапсырмалардың бірі. Болжауға көптеген факторлар қатысады – шығарылған жылы, жағдайы, жүрісі, қозғалтқыш көлемі және т.б. Барлық осы аспектілер автокөлік бағасын тұрақсыз етеді және жоғары дәлдікпен болжауды қиындатады. Машиналық оқыту әдістерін бұрын көрмеген үлгілер мен идеяларды ашып және оларды дәл болжау мен жіктеу үшін қолдануға болады. Берілген тапсырмаға сәйкес келетін деректерді жіктеу әдісін таңдау – деректердің көлеміне, сапасына және сипатына, компьютердің есептеу ресурстарына және нәтижені қалай пайдалану жоспарларына байланысты. Әрбір жіктеу алгоритмінің өзіндік ерекшеліктері бар және ол белгілі болжамдарға негізделген. Бұл мақаланың мақсаты – оқыту деректерін алдын ала өңдеу кезеңдерін қарастыру және атап айтқанда, машиналық оқыту және тұтастай алғанда ақпараттық технологиялар автомобиль саласында модельдеу, жобалау, болжау, жоспарлау және шешімдерді қолдау құралдарын әзірлеуде қалай табысқа жеткенін көрсету. Бұл зерттеу есептерді болжаудың гибридті тәсілін ұсынады, яғни статистикалық талдау және машиналық оқыту әдістерін пайдалана отырып болжау мәселелерін шешу

1. Narender Kumar, Dharmender K. Machine Learning based Heart Disease Diagnosis using Non-Invasive Methods, 2021, J. Phys.: Conf. Ser. 1950 012081.

2. Alarsan F.I., Younes M. Analysis and classification of heart diseases using heartbeat features and machine learning algorithms. J Big Data 6, 81, 2019. URL: https://doi.org/10.1186/s40537-019-0244-x.

3. Рашка С.Python и машинное обучение. – Москва: ДМК Пресс, 2017. – 265 с.

4. Akhmed-Zaki D.Zh., Mukhambetzhanov S.T., Nurmakhanova Zh.M. and Abdiakhmetova Z.M. Using Wavelet Transform and Machine Learning to Predict Heart Fibrillation Disease on ECG 2021 // IEEE International Conference on Smart Information Systems and Technologies (Nur-Sultan, 28-30 April, 2021). URL: https://doi.org/ 10.1109/SIST50301.2021.9465990.

5. Bilbro R., Ojeda T., Bengfort B.,Language-Aware Data Products with Machine Learning, O'Reilly Media, 2018, 313 p.

6. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. – ДиалектикаВильямс, Альфа-книга, 2018. – 465 с.

7. Плас Дж.В. Python для сложных задач. Наука о данных и машинное обучение. – Питер, 2018. – 265 с.

8. Бослав С. Статистика для всех. – Москва: ДМК Пресс, 2015. – 201 с.

9. Бенгфорд Б., Билбро Р. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка. – Санкт-Петербург, 2019. –181 с.

10. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение // Библиотека программиста. – Питер, 2019. – 304 с.

11. Chollet F. Deep learning with Python, Manning, 2020, 169 p.

12. Бурков А. Машинное обучение без лишних слов // Библиотека программиста. – Питер, 2020. – С. 60–69.

13. Shone N., Ngoc T.N., Phai V.D. and Shi Q. A deep learning approach tonetwork intrusion detection // IEEE Trans. Emerg. Topics Comput. Intell, vol. 2, no. 1, pp. 41–50.

14. Чистяков C.П. Случайные леса: обзор // Труды Карельского научного центра РАН.–2013.–No 1.– С.117–136.

15. Гришанов К.М., Белов Ю.С. Метод классификации K-NN и его применение в распознавании символов // Фундаментальные проблемы науки: Сборник статей Международной научно-практической конференции (15 мая 2016 г.) – Ч. 3. – Тюмень: НИЦ Аэтерна, 2016. – С. 30–33.

16. Jenhani I., Amor N. B., Eloued Z. Decision trees as possibilistic classifiers // International Journal of Approximate Reasoning, no. 48 (nov.2008), pp. 786–801. URL: https://doi.org/10.1016/j.ijar.2007.12.002.17 Rymarczyk T., Kozłowski E. Logistic Regression for Machine Learning in Process Tomography // MDPI, no. 19(15) (2019), pp. 206–208. URL: https://doi.org/10.3390/s19153400.

17. URL: https://haraba.ru.

18. Sanjay P. Pro RESTful APIs Design, Build and Integrate with REST, JSON, XML and JAX-RSApress, Berkeley, CA, 2018. URL: https://doi.org/10.1007/978-1-4842-2665-0.

19. Stephen R.G. Fraser Windows Services. In: Pro Visual C++/CLI and the .NET 2.0 Platform, Apress, 2006. URL: https://doi.org/10.1007/978-1-4302-0109-0_14.