Вход

Веб-сервис прогноза тендерных закупок

Рекомендуемая категория для самостоятельной подготовки:
Дипломная работа*
Код 547717
Дата создания 2023
Мы сможем обработать ваш заказ (!) 23 декабря в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
1 780руб.
КУПИТЬ

Описание

В рамках данной работы был проведен анализ рынка конкурентных систем и выделены наиболее важные и востребованные их возможности. Исходя из изученного материала и данных, собранных с официального сайта госзакупок, был обучен алгоритм, способный предсказывать результаты тендерных закупок.

В ходе выполнения работы реализован веб-сервис прогноза тендерных закупок:

− проведен анализ данных и отсеяна избыточная информация, определены взаимосвязи между параметрами контрактов

− реализована модель машинного обучения для предсказания завершенности закупки;

− реализован сервис с использованием Fast API и REST API;

− использованы

− реализован Docker-образ для быстрой развертки приложения на любом сервере

Система прогноза может стать основой для цифровизации рабочих процессов Мэрии Казани. А также способствовать дальнейшему сотрудничеству с Дирекцией по конкурентной политике и закупкам, что позволит оптимизировать работу по определению поставщиков (подрядчиков, исполнителей) для нужд муниципальных заказчиков, муниципальных бюджетных и автономных учреждений г.Казани.

Содержание

ВВЕДЕНИЕ.......................................................................................................... 3

1 Тендерные закупки......................................................................................... 3

1.1 Особенности тендерных закупок Мэрии Казани........................................ 3

1.2 Текущие проблемы инфраструктуры тендерных закупок.......................... 5

1.3 Анализ существующих решений.................................................................. 5

2 Постановка задачи............................................................................................ 8

3 Описание используемых технологий разработки......................................... 10

4 Анализ данных................................................................................................ 11

5 Построение и обучение моделей.................................................................... 28

6 Работа сервиса................................................................................................. 39

ЗАКЛЮЧЕНИЕ.................................................................................................. 45

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ.......................................... 50

ПРИЛОЖЕНИЕ................................................................................................. 48

Список литературы

1 ГОСТ 7.32 «Система стандартов по информации, библиотечному и издательскому делу. Отчет о научно-исследовательской работе. Структура и правила оформления». [Электронный ресурс]. - https://www.tsu.ru/upload/medialibrary/235/gost_7.32_2017.pdf 0 [Дата обращения: 24.04.2023]

2 5 видов регрессии и их свойства [Электронный ресурс]: URL: https://medium.com/nuances-of-programming/5-видов-регрессии-и-ихсвойства- f1bb867aebcb [Датаобращения: 08.05.2023].

3 CatBoost против Light GBM против XGBoost [Электронный ресурс]: URL: https://www.machinelearningmastery.ru/catboost-vs-light-gbm-vs- xgboos t-5f93620723db/ [Дата обращения: 10.05.2023].

4 Гласснер Э. Глубокое обучение без математики. Т. 1: Основы / пер. с анг. В. А. Яроцкого. – М.: ДМК Пресс, 2019. [Дата обращения: 10.05.2023].

5 Гласснер Э. Глубокое обучение без математики. Т. 2: Практика / пер. с анг. В. А. Яроцкого. – М.: ДМК Пресс, 2020. [Дата обращения: 11.05.2023].

6 Градиентый бустинг – просто о сложном [Электронный ресурс]: URL: https://neurohive.io/ru/osnovy-data-science/gradientyj-busting/

7 Грас Д. Data Science. Наука о данных с нуля. – СПб.: БХВ- Петербург, 2020. [Дата обращения 12.05.2023]

8 Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с анг. А. А. Слинкина. – 2-е изд., испр. – М.: ДМК Пресс, 2018. [Дата обращения 12.05.2023]

9 Джулли А., Пал С. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow/ пер. с англ. Слинкин А. А. – М.: ДМК Пресс, 2018. [Дата обращения 15.05.2023].

10 Метрики в задачах машинного обучения [Электронный ресурс]: URL: https://habr.com/ru/company/ods/blog/328372/ [Дата обращения 15.05.2023].

11 Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. – М.: Вильямс, 2017. [Дата обращения: 19.05.2023].

Очень похожие работы
Найти ещё больше
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.00466
© Рефератбанк, 2002 - 2024