Тип работы:
Предмет:
Язык работы:


МАШИННОЕ ОБУЧЕНИЕ В СФЕРЕ КУРЬЕРСКИХ ДОСТАВОК

Работа №52608

Тип работы

Дипломные работы, ВКР

Предмет

математика

Объем работы43
Год сдачи2016
Стоимость4390 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
198
Не подходит работа?

Узнай цену на написание


Введение 3
Глава 1. Описание задачи 5
1.1 Постановка задачи 5
1.2 Поиск кратчайших путей в графе 5
1.3 Распределение заказов по курьерам 7
1.4 Задача коммивояжёра 8
1.5 Распределение заказов с учётом машинного обучения 9
Глава 2. Машинное обучение 11
2.1 Линейная регрессия (LinealRegression) 11
2.2 Случайные деревья (RandomForrest) 12
2.3 Классификация и регрессия 12
деревьев решений (Decision Tree Classifier and Decision Tree Regression)
2.4 Градиентный бустинг(Gradient Boosting) 15
Глава 3. Реализация задачи 16
Г лава 4. Оценка результатов 21
Глава 5. Заключение 25
Листинг 26
Литература 38
Приложения 39



Настоящий мир развивается очень быстро. Количество информации, накапливаемое человечеством, растёт в геометрической прогрессии. Каждое новое поколение увеличивает это число в разы. Правильное использование информации гарантирует успех её владельцу. Не случайно в древние времена, за счёт знаний завоёвывались государства, выигрывались сражения, свергалось правительство и т.п. Высказывание Ротшильда актуально и в современном общество. Сейчас объём информации во всем миру огромен. И кто умеет использовать эту информацию, тот будет впереди планеты всей.
Возникает вопрос: а как правильно использовать информацию? Основная задача науки и реальной жизни - получение правильных предсказаний о будущем поведении сложных систем на основании их прошлого поведения. Многие задачи на практике, не могут быть решены заранее известными методами. Это происходит по той причине, что нам не известны заранее механизм происхождения данных или их недостаточно для построения точной модели. В этих условиях ничего не остаётся, как стоить модель на основе известных данных, и затем совершенствовать модель. Такой подход, при котором прошлые данные используются для первоначального формирования и последующего улучшения, называется методом машинного обучения.
Машинное обучение - раздел искусственного интеллекта, изучающего методы построения моделей, способных обучаться.
Целью МО является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности.
В качестве области применения можно выделить следующие сфер приложения: о Компьютерное зрение (computer vision) о Распознавание речи (speech recognition) о Компьютерная лингвистика и обработка естественных языков (natural language processing) о Медицинская диагностика о Биоинформатика о Техническая диагностика о Финансовые приложения о Рубрикация, аннотирование и упрощение текстов о Информационный поиск о Интеллектуальные игры
Задача, которую предстоит решить, связана с грузоперевозками, или если быть точнее быстрыми почтовыми доставками. Она заключается в следующем. Имеется список заказов и список курьеров. Необходимо распределить и доставить товар курьеру так, чтобы он доставил каждый груз в назначенное место и в нужное время. Решение задачи непосредственно связано с использованием машинного обучения.
В работе будет проведён анализ методов МО для данной задачи и построение лучшей модели по получения наилучшего прогноза


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


В ходе работы были изучены средства языка Python, а также библиотека scikit-learn, для реализации методов машинного обучения. По результатам работы была определена наилучшая модель обучения выборки и предсказания заказов. Полученные результаты можно использовать в дальнейшем для более точных прогнозов. Решение поставленной задачи было полностью реализовано и может быть доработано с точки зрения задачи Коммивояжера или же использования других моделей машинного обучения. Данную программу можно использовать для разработки программного обеспечения по распределению грузов в каком-либо городе.


1. Томас Х. Кормен, Чарльз И. Лейзерсон, Рональд Л. Ривест, Клиффорд Штайн. Алгоритмы: построение и анализ = Introduction to Algorithms. — 2-е изд. — М.: Вильямс», 2006. — С. 1296. — ISBN 0-07-013151-1.
2. Левитин А. В. Глава 3. Метод грубой силы: Задача коммивояжёра
// Алгоритмы. Введение в разработку и анализ — М.: Вильямс, 2006. — С. 159— 160. — 576 с. —ISBN 978-5-8459-0987-9
3. L. Breiman, J. Friedman, R. Olshen, and C. Stone. Classification and Regression Trees. Wadsworth, Belmont, CA, 1984.
4. Christopher M. B. Pattern recognition and machine learning //Company New York. - 2006. - Т. 16. - №. 4. - С. 049901.
5. Breiman L. Random forests //Machine learning. - 2001. - Т. 45. - №. 1. - С. 5-32.
6. Friedman J. H. Greedy function approximation: a gradient boosting machine //Annals of statistics. - 2001. - С. 1189-1232.
7. Drucker H. Improving regressors using boosting techniques //ICML. - 1997. - Т.
97. - С. 107-115.
8. Quinlan J. R. C4. 5: Programs for Empirical Learning Morgan Kaufmann //San Francisco, CA. - 1993.
9. Ridgeway G. Generalized Boosted Models: A guide to the gbm package //Update. - 2007. - Т. 1. - №. 1. - С. 2007.
10. Friedman J. H. Stochastic gradient boosting, 1999 //URL http://www- stat. stanford. edu/~ jhf/ftp/stobst. ps.
11. Kohavi R. et al. A study of cross-validation and bootstrap for accuracy estimation and model selection //Ijcai. - 1995. - Т. 14. - №. 2. - С. 1137-1145.


Работу высылаем на протяжении 30 минут после оплаты.




©2024 Cервис помощи студентам в выполнении работ