Работу надо выполнить в jupiter notebook +пояснительная записка(может быть в виде комментариев и пояснений в jupiter )
Тема - "Применeниe машиннoгo oбyчeния для прoдвижения туристичeских yслyг"
Конкретная область в туристических услугах к которой будет применяться МО, выбирает исполнитель самостоятельно.
Основываясь на этой теме надо выполнить следующие пункты:
! Пункты 1,3,11,9 являются обязательными для всех тем работ !
1. Выбрать (собрать) набор данных для анализа в соответствии с выбранной темой курсовой
работы. Описать этот набор и решаемую задачу. Определить метрики качества для модели,
определить типичный уровень метрик для решения аналогичных задач, установить
ориентиры для метрики.
2. Провести предварительный анализ и очистку данных. Этот этап включает в себя вывод
информации о количественных характеристиках датасета, информацию об отсутствующих
значениях, характеристиках и физическом смысле каждого атрибута данных, его значимости
для предсказания целевой переменной, вывод нескольких элементов данных для
иллюстрации структуры данных.
3. При необходимости выполнить преобразование данных. Этот этап сильно зависит от типа
исследуемых данных и может включать в себя токинизацию и векторизацию текста,
извлечение признаков из данных, преобразование изображений в плоский численный массив
и другие преобразования.
4. Разделить набор данных на обучающую, тестовую и валидационную выборки. Обосновать
количественные характеристики и метод разделения (временной, случайный,
последовательный) выборки.
5. Определить принципиальную архитектуру нейросетевой модели глубокого обучения,
включая функцию ошибки и методы регуляризации, общую логику обучения модели.
Предусмотреть возможные варианты модификации модели.
6. Реализовать модель с помощью фреймворка PyTorch. Реализация должна включать
функционал загрузки данных, вывода промежуточных и финальных метрик качества и
диагностических параметров процесса обучения модели. Реализация должна
предусматривать гибкость, позволяющую выполнять ограниченную модификацию модели
для выбора наилучшей из альтернативных архитектур.
7. Настроить параметры входных данных и параметров для обучения. Провести обучение
модели на подготовленных входных данных используя выбранные настройки и алгоритмы
обучения.
8. Провести оценку качества модели с использованием предусмотренных метрик качества,
проверить модель на переобучение.
9. Провесит обучение и оценку качества для несколько альтернативных архитектур (вариаций
архитектур) моделей (не менее 3) для решения выбранной задачи. Проанализировать
результаты, сделать выводы, в том числе определить наилучшую архитектуру.
10. Выполнить тонкую настройку модели с помощью подбора значений гиперпараметров.
Провести подбор не менее трех гиперпараметров, при этом как минмум для одного подбор
значения параметра выполнить в автоматическом режиме (с помощью Grid Search или
аналогичных методов).
11. Представить результаты обучения модели в наглядном виде (графики, линии обучения,
таблицы сравнения моделей, таблицы классификации, и другие). Сделать выводы, сравнить с
существующими аналогичными решениями, порассуждать о перспективах улучшения
методов решения проблемы.
В зависимости от формулировки выбранной темы, объем и наличие пунктов их этого списка
может варьироваться. Пункты 1,3,11,9 являются обязательными для всех тем работ.
