Тема выпускной квалификационной работы: «Определение заявок, имеющих склонность к пропаже в системе, при помощи алгоритмов машинного обучения». Данная работа посвящена анализу и сравнению различных алгоритмов классификации данных в рамках задачи нахождения шаблонов аномалий в больших наборах данных. Задачи, которые решались в ходе исследования: 1. Анализ различных алгоритмов машинного обучения. 2. Обзор архитектуры системы для внедряемого алгоритма. 3. Анализ и предварительная обработка входных данных. 4. Выделение кластеров для разметки данных. 5. Проведение классификации при помощи различных алгоритмов МО6. Анализ результатов и выбор оптимального алгоритма. В ходе работы были проанализированы различные алгоритмы машинного обучения, применяемые для задач классификации. Также был проведён анализ входного набора данных с последующей обработкой показателей. Данные были размечены в соответствии с кластерами, выделенными в ходе выполнения задачи сегментации, а затем разделены на классы с помощью моделей, отобранных на этапе анализа алгоритмов машинного обучения. Путём сравнения полученных классификаторов была отобрана оптимальная модель классификации, показавшая хорошую точность предсказания классов как на тестовой выборке, так и на реальных данных.

The subject of the graduate qualification work: "Identification of applications that have a tendency to be lost in the system using machine learning algorithms". This work is devoted to the analysis and comparison of various algorithms for data classification in the scope of the problem of finding anomaly patterns in large data sets. Tasks that were solved during the study: 1. Analysis of various machine learning algorithms. 2. Overview of the system architecture for the implemented algorithm. 3. Input data analysis and preprocessing. 4. Data clustering. 5. Classification using various ML algorithms. 6. Analysis of the results and selection of the optimal algorithmIn the course of the work, various classification algorithms were analyzed. The analysis of the input data set with subsequent processing of indicators was also carried out. The data was marked up according to the clusters identified during the segmentation task, and then divided into classes using models selected at the stage of analysis of machine learning algorithms. By comparing the obtained classifiers, an optimal classification model was selected. This model showed good accuracy in predicting classes both on the test sample and real data.

• Введение
• Глава 1. Анализ существующих алгоритмов классификации
• Глава 2. Обзор архитектуры системы заявок
• Глава 3. Реализация системы
  • 3.1 Подтверждение концепции
  • 3.2 Работа с реальными данными
• Глава 4. Анализ результатов работы
• Заключение
• Список использованных источников