Дослідження та розроблення моделі машинного навчання для підбору одягу
Автор: Мостова Марія Володимирівна
Кваліфікаційний рівень: магістр
Спеціальність: Комп'ютерні системи управління рухомими об'єктами (автомобільний транспорт)
Інститут: Інститут комп'ютерних технологій, автоматики та метрології
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: англійська
Анотація: Пропонується нова модель машинного навчання для підбору одягу. Її завдання полягає у вирішенні вибору одягу за будь-якої погоди. Тобто, вхідними даними системи є фото одягу та погодні параметри. Результатом роботи даного додатку є погодо-базована система на основі клітинної нейронної мережі. Вхідними даними є фото та CSV-файл з дата-сету. Перед тренуванням моделі вони були оброблені та відповідно підготовані. Вихідними даними після обробки та розробки моделі є співвідношення одягу до погодніх умов. Результатом реалізованої моделі машинного навчання для підбору одягу є створення нових взаємозв’язків фото одягу з погодніми умовами через використання параметра сезону. Тобто, результати даної роботи можна інтегрувати в будь-яку систему для відображення у форматі користувацького інтерфейсу. У першому розділі розглянуті методи та підходи показують, що дослідження та проекти, пов’язані з підбором одягу відповідно до погоди. Деякі системи враховують стиль користувача, інші - погодні умови, а деякі комбінують обидва аспекти для створення більш точних рекомендацій [1-3]. У другому розділі описано методи та засоби, обрані для розробки моделі машинного навчання для підбору одягу. Було обрано мову програмування Python, фреймворки TensorFlow, Scikit-learn і Keras, бібліотеки Pandas для маніпулювання та аналізу даних та NumPy для чисельних обчислень [4-5]. Третій розділ підготовці перед реалізацією моделі було виконано збір та попередню обробку вхідних даних. Було обрано побудову моделі машинного навчання на основі клітинної нейронної мережі (CNN). У четвертому розділі представлена практична реалізація моделі машинного навчання для підбору одягу у вигляді програмного коду на мові Python, яка складається з тренування та тестування. П’ятий розділ – економічне обґрунтування доцільності роботи. Одержані результати розрахунків від собівартості, договірної ціни та планового прибутку і високі значення розрахованих коефіцієнтів наукової і науково-технічної результативності свідчать про економічну обґрунтованість завдання. Результатом роботи є точність результатів натренованої моделі – 70%, яка збільшується з кількістю даних та епох, а тестування – 63%. Розроблена модель краще класифікує тестові дані, ніж ті дані, на яких вона навчалася. Ключові слова: модель машинного навчання, підбір одягу, клітинна нейронна модель, погодо-базована система, тренування, тестування, Python. Перелік використаних літературних джерел: 1. L. Chua, T. Roska “Cellular Neural Networks and Visual Computing: Foundations and Applications”, 2005. 2. Charu C. Aggarwal “Recommender Systems: The Textbook”, 2016. 3. Yujie Liu, Yongbiao Gao, Shihe Feng, Zongmin Li “Weather-to-garment: Weather-oriented clothing recommendation”, IEEE International Conference on Multimedia and Expo, 2017. 4. Wes McKinney “Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter”, 2022, 579 p. 5. Francois Chollet “Deep Learning with Python”, 2017, 384 p.