Детальная информация

В современном мире наблюдается устойчивый рост популярности самостоятельных занятий фитнесом, однако большинство существующих мобильных приложений предлагают универсальные тренировочные программы, не учитывающие индивидуальные особенности пользователя - его цели, уровень подготовки, доступное оборудование. Данная работа посвящена разработке системы рекомендаций упражнений, основанной на методах машинного обучения, которая автоматически подбирает персонализированные программы тренировок с учётом предпочтений пользователя. В основе системы лежит метод контентной фильтрации с использованием One-Hot Encoding для преобразования категориальных признаков упражнений в бинарную матрицу. Для оценки релевантности используется косинусное сходство между взвешенным профилем пользователя и векторами упражнений. Разработанная система является законченным программным продуктом, готовым к практическому использованию. Она может быть применена как самостоятельное приложение для персонализированных тренировок, а также служить основой для дальнейших исследований в области интеллектуальных фитнес-рекомендаций.

In todays world, there is a steady increase in the popularity of inde-pendent fitness training. However, most existing mobile apps offer one-size-fits-all workout programs that fail to take into account the individual characteristics of the user-their goals, fitness level, available equipment, and medical restrictions. This work focuses on the development of an exercise recommendation system based on machine learning methods that automatically selects personalized training programs based on user preferences. The system is based on a content filtering method using One-Hot Encoding to transform categorical exercise features into a binary matrix. Cosine similarity between a weighted user profile and exercise vectors is used to assess relevance. The developed system is a complete software product, ready for practical use. It can be used as a standalone application for personalized training and also serve as a basis for further research in the field of intelligent fitness recommendations.