Сьогодні машинне навчання (МН) стає все більш зручним та функціональним засобом автоматизації різних обчислювальних процесів, через що його використання є актуальним з різних причин. Зокрема, використання МН для завдань прогнозування даних дозволяє зменшити рівень впливу на отримані результати помилок та похибок через людський фактор [1]. Основною метою проведення прогнозу на базі МН є зниження рівня невизначеності, в рамках якого особа, яка приймає рішення, має обирати необхідну альтернативу. Ця мета формує 2 наступні правила для проведення процедур прогнозування: процеси мають бути виконані технічно коректним чином, породжуючи збалансовані прогнози з відповідною точністю; процеси та результати прогнозування мають бути наочними для інтерпретації з метою використання для обґрунтування вибору рішень. У прикладних сферах проведення прогнозування потрібне на вирішення завдань фінансування, підбору кадрів, маркетингу й у різних виробничих тематиках. Прогнози поділяються на довгострокові та короткострокові. Перші потрібні на формування основних курсів чи стратегій управління потоками на тривалий період. Короткострокові прогнози застосовуються менш довгострокових стратегій [2]. Осмислення специфіки оперування даними прогнозування, сформовані природними подіями, дозволяє виділити такі п'яти етапів у процесі прогнозування [3]:
1. Збір даних, що передбачає отримання верифікованих та валідних даних. Цей етап є найменш точною частиною всього процесу проведення прогнозування, т.к. більш складний щодо перевірки, у зв'язку з тим, що наступні етапи можуть досить легко проводитися з використанням поданих даних.
2. Ущільнення даних, необхідне виконання процесів прогнозування у випадках, коли зібрана надлишкова чи недостатня кількість даних. Це зумовлено проблемою, яка полягає в тому, що деякі дані часто не мають безпосереднього відношення до розглянутої задачі, зменшуючи точність прогнозів, а інші дані відповідають розглянутій проблемі в обмеженому контексті заданого історичного періоду.
3. Побудова моделі прогнозу та її чисельна оцінка. Цей етап полягає у підборі такої моделі прогнозу, яка найкраще описує особливості зібраних даних з погляду зниження помилки прогнозу. При цьому на зручність використання моделі впливає рівень її простоти, від чого залежить довіра до прогнозу.
4. Екстраполяція обраної моделі прогнозування, що передбачає отримання необхідного прогнозу фактично, т.к. необхідні дані є зібраними, редукованими з певною моделлю прогнозу. Для перевірки точності результатів, що формуються, використовується прогнозування на короткострокові періоди.
5. Оцінка значень одержаного прогнозу. Етап полягає в послідовному порівнянні обчислених величин з реальними значеннями. Для цього частина актуальної інформації виключається з безлічі аналізованих даних. Таким чином, після підбору моделі реалізується прогноз на виділені періоди, а отримані результати піддаються порівнянню з відомими значеннями.
Висновки. Результати проведеного аналізу свідчать про актуальність застосування підходів МН для прогнозування даних.
Список використаних джерел
1.Тихонов, Е.Є. Прогнозування за умов ринку / Е.Е. Тихонов. – О.: Освіта, 2016. – 221 с.
2.Снітюк В.Є. Прогнозування. Моделі, Методи, Алгоритми / В.Є. Снітюк. – К.: Маклаут, 2018. - 367 с.
3.Любімова Т.В. Вирішення задачі прогнозування за допомогою нейронних мереж / Т.В. Любімова, А.В. Горєлова // Інноваційна наука. – 2015. – №5. - С. 39-43.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter