Отправить статью по E-mail Исследование программных решений для определения оптимального решения по заданным параметрам
- Авторы: Пугачева Д.Б.1, Юдина М.В.1
-
Учреждения:
- МИРЭА – Российский технологический университет
- Выпуск: Том 11, № 5 (2024)
- Страницы: 78-86
- Раздел: УПРАВЛЕНИЕ В ОРГАНИЗАЦИОННЫХ СИСТЕМАХ
- URL: https://journals.rcsi.science/2313-223X/article/view/284851
- DOI: https://doi.org/10.33693/2313-223X-2024-11-5-78-86
- EDN: https://elibrary.ru/BUKIIM
- ID: 284851
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
В данной работе рассматривается исследование программных решений для оптимизации принятия решения, в частности, выбора наиболее подходящего размера одежды. Целью работы является проведение исследования и сравнения трех методов машинного обучения относительно вопроса предсказания размера одежды. Разработка программных решений проводилась на основе открытого набора данных, содержащего мерки пользователей, информацию о товарах, размерах и типах заказанных товаров, отзывы и комментарии к заказам. В ходе работы были реализованы три алгоритма машинного обучения: метод k-ближайших соседей, использование многослойной полносвязной нейронной сети, использование нейронной сети со смешными входами данных. Представлены и протестированы возможные решения и архитектуры нейронных сетей относительно вопроса оптимизации принятия решения относительно размера по критериям самого пользователя. Предложено использование нейронной сети со смешанными входами данных на языке программирования JavaScript с использованием TensorFlow.JS, где под смешанными входами подразумеваются данные о личных мерках пользователя и оставленные комментарии о соответствии заявленного размера. Последующее предложенного решения возможно в качестве самостоятельного веб-приложения или для интеграции модуля на веб-площадки с соответствующей тематикой.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Дарья Борисовна Пугачева
МИРЭА – Российский технологический университет
Автор, ответственный за переписку.
Email: pugacheva@mirea.ru
ORCID iD: 0009-0008-5792-3240
кафедра компьютерного дизайна, Институт перспективных технологий и индустриального программирования
Россия, МоскваМайя Викторовна Юдина
МИРЭА – Российский технологический университет
Email: yudina_m@mirea.ru
кандидат технических наук; доцент, кафедра компьютерного дизайна, Институт перспективных технологий и индустриального программирования
Россия, МоскваСписок литературы
- Clothing fit dataset for size recommendation. kaggle. URL: https://www.kaggle.com/datasets/rmisra/clothing-fit-dataset-for-size-recommendation (data of accesses: 21.03.2024).
- Итоги 2022 года от АКИТ // E-PEPPER журнал об электронной коммерции. URL: https://e-pepper.ru/news/itogi-2022-goda-ot-akit.html?ysclid=lu8p3v8kyj470047044 (дата обращения: 21.03.2024).
- Keras: Multiple inputs and mixed data. pyimagesearch. URL: https://pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/ (data of accesses: 21.03.2024).
- Кудрявцев М.А. Методология проектирования модели костюма на основе готовой коллекции с использованием машинного обучения // Научные исследования. 2018. № 6 (26).
- Ларионова М.А., Бабешко В.Н. Перспективы применения искусственного интеллекта в легкой промышленности // МНИЖ. 2021. № 7-1 (109).
- Балашов М.К. Будущее маркетинга: нейронные сети как инструмент обслуживания клиентов // Наука и образование сегодня. 2017. № 11 (22).
- Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А.А. Слинкина. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.
- Моралес М. Грокаем глубокое обучение с подкреплением. СПб.: Питер, 2023. 464 с. (Серия «Библиотека программиста»).
- Rishabh M., Mengting Wan, McAuley J. Decomposing fit semantics for product size recommendation in metric spaces. In: Proceedings of the 12th ACM Conference on Recommender Systems. 2018. Pp. 422–426.
- Rishabh M., Grover J. Sculpting data for ML: The first act of machine learning. 2021. ISBN: 9798585463570.
- Sklearn API Reference. scikit-learn. URL: https://scikit-learn.org/stable/modules/classes.html#module-sklearn.neighbors (data of accesses: 18.03.2024).
- Satyasangram sahoo, received MTech (CSE), Dr. R. Lakshmi: Mixed data through multiple input for price prediction with multilayer perception and mini VGG // International Journal of Recent Technology and Engineering (IJRTE). No. 8 (2). Pp. 6317–6320.
- Ramé A., Sun R., Cord M. MixMo: Mixing multiple inputs for multiple outputs via deep subnetworks. 2020. URL: https://www.researchgate.net/publication/349963564_MixMo_Mixing_Multiple_Inputs_for_Multiple_Outputs_via_Deep_Subnetworks
- Linjun Zhang, Zhun Deng, Kawaguchi K. et al. How does mixup help with robustness and generalization? // ICLR. 2021.
- Borugadda P. et al. Transfer learning VGG16 model for classification of tomato plant leaf diseases: A novel approach for multi-level dimensional reduction. Pertanika Journal of Science and Technology. 2023. N. pag.
- Анализ рынка одежды в России – демоверсия отчета BusinesStat // BusinesStat. URL: https://businesstat.ru/images/demo/clothes_russia_demo_businesstat.pdf (дата обращения: 25.03.2024).
- Рынок интернет-торговли в России // Ассоциация компаний интернет-торговли – АКИТ. URL: https://akit.ru/ (дата обращения: 21.03.2024).
- Модели TensorFlow.JS // TensorFlow. URL: https://www.tensorflow.org/js/models?hl=ru (дата обращения: 18.03.2024).
Дополнительные файлы
