Цель работы заключается в применении методов машинного обучения и анализа данных, с целью улучшения дорожной безопасности и снижения числа дорожно-транспортных происшествий. Для достижения поставленной цели по данной теме, необходимо решить следующие задачи: 1. Обзор существующих методов и алгоритмов анализа дорожно-транспортных происшествий. Необходимо рассмотреть существующие подходы и методы анализа ДТП с применением методов машинного обучения. 2. Поиск и анализ данных о дорожно-транспортных происшествиях. Для проведения анализа необходимо найти соответствующие данные, произвести их очистку и подготовку для дальнейшего использования. 3. Выводы и заключение. Обобщение результатов исследования, выделение ключевых выводов и рекомендаций для дальнейших шагов в области улучшения дорожной безопасности на основе анализа дорожно-транспортных происшествий с применением методов машинного обучения.

The goal of the work is to develop a system based on machine learning and data analysis methods in order to improve road safety and reduce the number of road accidents. To achieve the goal on this topic, it is necessary to solve the following tasks: 1. Review of existing methods and algorithms for analyzing road accidents. It is necessary to consider existing approaches and methods for analyzing road accidents using machine learning methods. 2. Collection and analysis of data on road accidents. To carry out the analysis, it is necessary to collect relevant data, clean it and prepare it for further use. 5. Conclusions and conclusion. Summarizing the results of the study, highlighting key conclusions and recommendations for further steps in improving road safety based on the analysis of road accidents using machine learning methods.

• ВВЕДЕНИЕ
• ПОСТАНОВКА ЗАДАЧИ
• ГЛАВА 1 ОБЗОР ЛИТЕРАТУРЫ
  • 1.1 Статистика ДТП
  • 1.2 Примеры применения систем для анализа и предотвращения ДТП
  • 1.3 Транспортная система в Российской Федерации
    • 1.3.1 Развитие системы для анализа и предотвращения ДТП в Российской Федерации
  • 1.4 Типы машинного обучения
    • 1.4.1 Обучение с учителем
    • 1.4.2 Обучение без учителя
    • 1.4.3 Частично-контролируемое обучение
    • 1.4.4 Обучение с подкреплением
  • 1.5 Алгоритмы машинного обучения
    • 1.5.1 Линейная регрессия
    • 1.5.2 Логистическая регрессия
    • 1.5.3 Метод k-средних (k-Means Clustering)
    • 1.5.4 Деревья решений и случайные леса
    • 1.5.5 Нейронные сети
  • 1.6 Метрики в задачах машинного обучения
    • 1.6.1 Для задач классификации
    • 1.6.2 Для задач регрессии
    • 1.6.3 Для задач кластеризации
  • Вывод по главе 1
• ГЛАВА 2 ДАННЫЕ
  • 2.1 Поиск данных
  • 2.2 Подготовка данных
  • Вывод по главе 2
• ГЛАВА 3 РЕАЛИЗАЦИЯ
  • 3.1 Оценка результатов
  • Выводы по главе 3
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ А
• ПРИЛОЖЕНИЕ Б
• ПРИЛОЖЕНИЕ В
• ПРИЛОЖЕНИЕ Г