Целью работы является формирование четкого, универсального подхода к отбору данных и формированию обучающей выборки для решения задач с использованием алгоритмов машинного обучения, а также в исследовании и применении на практике нового коэффициента согласия в динамике, использующегося при проведении корреляционного анализа. Были решены следующие задачи:  сформировать проблемное поле, описать влияние факторов, возникающих в результате использования неподготовленных или непроверенных данных при решении задач с использованием ИИ;  обосновать важность проблемы, описать положительные эффекты от применения универсального подхода по пред подготовке данных;  оценить степень изученности проблемы посредством анализа научных работ по тематике;  провести исследование подхода к отбору данных и формированию обучающей выборки, а также исследовать новый механизм оценки взаимосвязей между временными рядами;  смоделировать решение задачи прогнозирования товарного спроса с использованием алгоритмов машинного обучения, опираясь на методы, полученные в результате исследования;  сформировать выводы о дальнейшем развитии изученного подхода. Предложен подход к формированию качественной обучающей выборки для машинного обучения, а также практическое применение нового инструмента оценки корреляционных взаимосвязей.

The aim of the work is to form a clear, universal approach to data selection and the formation of a training sample for solving problems using machine learning algorithms, as well as in the study and practical application of a new coefficient of agreement in dynamics used in correlation analysis. The following tasks were solved: to form a problem field, to describe the influence of factors arising from the use of unprepared or unverified data in solving problems using AI; to substantiate the importance of the problem, to describe the positive effects of applying a universal approach to data preparation; to assess the degree of study of the problem by analyzing scientific papers on the subject; to conduct a study of the approach to data selection and the formation of a training sample, as well as to explore a new mechanism for assessing the relationships between time series; to simulate the solution of the problem of forecasting commodity demand using machine learning algorithms, based on the methods obtained as a result of the study; to form conclusions about the further development of the studied approach. An approach to the formation of a high-quality training sample for machine learning is proposed, as well as the practical application of a new tool for evaluating correlation relationships.

• ЗАДАНИЕ
• ВВЕДЕНИЕ
• 1. ПОСТАНОВКА ЗАДАЧИ ОТБОРА И ПОДГОТОВКИ ДАННЫХ ДЛЯ ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В БИЗНЕС-АНАЛИТИКЕ
• 1.1. Использование машинного обучения при принятии бизнес-решений
• 1.2. Проблема качества входных данных. Анализ и влияние.
• 1.3. Мировой опыт решения проблемы качества данных
  • 2. МЕТОДЫ ОТБОРА И ПОДГОТОВКИ ДАННЫХ ДЛЯ ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В БИЗНЕС-АНАЛИТИКЕ
• 2.1. Предварительная подготовка обучающей выборки
• 2.2. Корреляционный анализ признаков модели
• 2.3. Основные инструменты и методы прогнозной аналитики
  • 3. МЕТОДИКА ОТБОРА И ПОДГОТОВКИ ДАННЫХ ДЛЯ ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В БИЗНЕС-АНАЛИТИКЕ
• 3.1. Подбор разметка и анализ данных
• 3.2. Формирование обучающей выборки для прогнозирования товарного спроса
• 3.3. Построение прогностической модели
• 3.4. Коммерческая эффективность подхода
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ