Детальная информация

Название Прогнозирование урожайности сельскохозяйственных культур с применением методов машинного обучения: выпускная квалификационная работа бакалавра: направление 27.03.03 «Системный анализ и управление» ; образовательная программа 27.03.03_01 «Теория и математические методы системного анализа и управления в технических, экономичеcких и социальных системах»
Авторы Калинина Екатерина Тимофеевна
Научный руководитель Сорокина Наталья Владимировна
Организация Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности
Выходные сведения Санкт-Петербург, 2025
Коллекция Выпускные квалификационные работы ; Общая коллекция
Тематика прогнозирование урожайности ; машинное обучение ; сельское хозяйство ; случайный лес ; анализ данных ; оценка точности ; метрики ; crop yield forecasting ; machine learning ; agriculture ; random forest ; data analysis ; accuracy assessment ; metrics
Тип документа Выпускная квалификационная работа бакалавра
Тип файла PDF
Язык Русский
Уровень высшего образования Бакалавриат
Код специальности ФГОС 27.03.03
Группа специальностей ФГОС 270000 - Управление в технических системах
DOI 10.18720/SPBPU/3/2025/vr/vr25-4865
Права доступа Доступ по паролю из сети Интернет (чтение)
Дополнительно Новинка
Ключ записи ru\spstu\vkr\39025
Дата создания записи 24.09.2025

Разрешенные действия

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа Анонимные пользователи
Сеть Интернет

Данная работа посвящена сравнению и применению моделей машинного обучения для прогнозирования урожайности сельскохозяйственных культур. Задачи, которые решались в ходе исследования: 1) Анализ современного состояния сельского хозяйства и ключевых факторов, влияющих на урожайность. 2) Обзор и сравнение методов машинного обучения (линейная регрессия, деревья решений, случайный лес, градиентный бустинг, нейронные сети) для задачи прогнозирования. 3) Предобработка и анализ исходных данных, включая обработку пропусков, нормализацию и визуализацию зависимостей. 4) Реализация программного решения для обучения моделей и прогнозирования урожайности. 5) Оценка эффективности моделей по метрикам RMSE, MAE и R² и выбор оптимальной модели. 6) Для достижения данных результатов в работе были использованы следующие информационные технологии: язык программирования Python с библиотеками, Google Colab, Kaggle.

The given work is devoted to comparing and applying machine learning models for predicting crop yields. The research set the following goals: 1) Analyzing the current state of agriculture and key factors affecting crop yields. 2) Review and comparison of machine learning methods (linear regression, decision trees, random forest, gradient bousting, neural networks) for the forecasting problem. 3) Pre-processing and analysis of the raw data, including omission handling, normalization and dependency visualization. 4) Implementation of a software solution for model training and yield prediction. 5) Evaluating the performance of the models by RMSE, MAE and R² metrics and selecting the optimal model. 6) To achieve these results, the following information technologies were used in the work: Python programming language with libraries, Google Colab, Kaggle.

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все
Прочитать
Интернет Авторизованные пользователи СПбПУ
Прочитать
Интернет Анонимные пользователи

Количество обращений: 0 
За последние 30 дней: 0

Подробная статистика