ВКР ТУСУР: Анализ данных с использованием машинного обучения

ВКР ТУСУР: Анализ данных с использованием машинного обучения

Бесплатная консультация по вашей теме: Telegram: @Diplomit Телефон/WhatsApp/MAX: +7 (987) 915-99-32, Email: admin@diplom-it.ru

Актуальность темы

Мы живем в эпоху данных. Каждый день генерируется невообразимое количество информации — от логов серверов и транзакций до показателей здоровья и поведения пользователей. Но данные сами по себе — это не знания. Знания рождаются, когда мы умеем их анализировать, выявлять скрытые закономерности и делать на их основе прогнозы.

В ТУСУР студенты изучают основы машинного обучения (ML), но часто сталкиваются с проблемой: как применить эти знания на практике? Теоретические задания на Kaggle — это одно. А вот реальный бизнес-кейс, где нужно взять сырые данные, очистить их, выбрать правильную модель, обучить ее и интерпретировать результаты — это совсем другое. И именно здесь возникает пробел между учебой и реальной работой.

Ваша дипломная работа — это создание полноценного проекта анализа данных с использованием машинного обучения. Вы не просто реализуете алгоритм. Вы решаете конкретную задачу: предсказываете отказ оборудования, классифицируете клиентов по уровню лояльности, обнаруживаете аномалии в финансовых операциях или прогнозируете спрос на товары. Вы выберете реальный набор данных (из открытых источников или, что лучше, с согласия партнера), проведете полный цикл анализа — от сбора до визуализации результатов — и представите его как профессиональный продукт.

Это не просто «курсовая». Это ваш портфолио-проект, который покажет работодателю: «Я не только знаю, что такое Random Forest, я умею использовать его для решения реальных проблем». Вы создадите продукт, который можно будет продемонстрировать на собеседовании — и сделаете это на базе знаний, полученных в ТУСУР. Это не теория — это ваш шанс стать конкурентоспособным специалистом в сфере Data Science.

Возникли трудности с выбором предметной области или реализацией модели? Наши эксперты по защите информации помогут! Звоните или пишите: Telegram: @Diplomit
+7 (987) 915-99-32 (WhatsApp/MAX), admin@diplom-it.ru.

Если вы еще не определились с темой, ознакомьтесь с полным руководством по написанию ВКР ТУСУР Информационные системы и технологии Полное руководство по написанию ВКР ТУСУР Информационные системы и технологии.

Цель и задачи

Цель исследования: Разработать и протестировать систему анализа данных с использованием методов машинного обучения для решения конкретной практической задачи, обеспечивающую точность прогнозирования или классификации не ниже 85%.

Для достижения цели необходимо решить следующие задачи:

• Проанализировать современные методы машинного обучения: регрессия, классификация, кластеризация, глубокое обучение
• Определить предметную область и сформулировать конкретную задачу (например, «Прогнозирование сбоев в работе сервера», «Классификация заявок на техподдержку по приоритету»)
• Собрать и подготовить репрезентативный набор данных: очистка, нормализация, обработка пропусков, формирование признаков
• Выбрать и реализовать несколько алгоритмов ML (например, Random Forest, SVM, XGBoost, нейронная сеть)
• Провести обучение моделей и их настройку (гиперпараметры)
• Оценить качество моделей с помощью метрик: accuracy, precision, recall, F1-score, AUC-ROC, MSE
• Создать веб-интерфейс или дашборд для визуализации результатов и интерактивного использования
• Реализовать модуль экспорта прогнозов и рекомендаций
• Провести тестирование системы на новых данных и оценить ее устойчивость

Объект и предмет исследования

Объект исследования: Процессы сбора, обработки и анализа больших массивов данных в различных предметных областях.

Предмет исследования: Методы и технологии применения машинного обучения для решения практических задач анализа данных, включая предварительную обработку, выбор и обучение моделей, оценку качества и визуализацию результатов.

Фокус работы — на практической применимости. Как сделать так, чтобы ваша модель не просто показывала высокую точность на тренировочных данных, а давала надежные и понятные результаты в реальных условиях? Это не программирование — это инженерия данных. Именно здесь ваша работа становится научно значимой и имеет высокую рыночную ценность.

Примерный план (Содержание) работы

Глава 1. Теоретические основы машинного обучения и анализа данных

• 1.1. Основы машинного обучения: типы задач ( supervised, unsupervised, reinforcement learning)
• 1.2. Современные алгоритмы: деревья решений, ансамбли, SVM, нейронные сети, кластеризация
• 1.3. Этапы жизненного цикла проекта ML: от сбора данных до развертывания
• 1.4. Проблемы в анализе данных: переобучение, недообучение, несбалансированные данные, "загрязнение" данных
• 1.5. Обзор существующих инструментов: Python (scikit-learn, pandas, numpy), R, TensorFlow, PyTorch

Глава 2. Проектирование и реализация системы анализа данных

• 2.1. Формирование требований к системе: функциональные и нефункциональные (точность, скорость, масштабируемость)
• 2.2. Выбор технологического стека: Python + Jupyter Notebook + Streamlit / Dash
• 2.3. Проектирование архитектуры: модули сбора, обработки, моделирования, визуализации
• 2.4. Сбор и предварительная обработка данных: очистка, преобразование, создание признаков (feature engineering)
• 2.5. Реализация модулей машинного обучения: выбор и реализация нескольких алгоритмов
• 2.6. Обучение, настройка и сравнение моделей: кросс-валидация, подбор гиперпараметров
• 2.7. Создание веб-интерфейса для визуализации результатов и взаимодействия с пользователем
• 2.8. Реализация модуля экспорта результатов (PDF, CSV, API)
• 2.9. Интеграция всех компонентов в единую систему

Глава 3. Тестирование и оценка эффективности

• 3.1. Методика тестирования: использование тестового набора данных, проверка на устойчивость к шуму
• 3.2. Оценка точности моделей: расчет метрик (precision, recall, F1-score, AUC-ROC, MSE)
• 3.3. Анализ производительности: время обучения и инференса
• 3.4. Оценка удобства использования веб-интерфейса (SUS-шкала)
• 3.5. Рекомендации по внедрению системы в реальную среду

Возникли трудности с выбором модели или интерпретацией результатов? Наши эксперты по защите информации помогут! Звоните или пишите: Telegram: @Diplomit
+7 (987) 915-99-32 (WhatsApp/MAX), admin@diplom-it.ru.

Ожидаемые результаты и практическая значимость

Результатом работы станет полнофункциональная система анализа данных с открытым исходным кодом, включающая:

• Набор данных (реальные или синтетические) с подробным описанием
• Код всей системы на Python (Jupyter Notebooks, скрипты)
• Готовые модели машинного обучения с сохраненными весами
• Интерактивный веб-интерфейс (dashboards) для просмотра результатов
• Отчет с детальным анализом результатов, графиками и метриками качества
• Руководство пользователя и администратора

Практическая значимость — огромна. Ваш проект может быть использован в качестве кейса для курсов по Data Science в ТУСУР, представлен на конкурсах студенческих работ или даже передан в партнерскую компанию для внедрения. Вы создадите продукт, который доказывает вашу способность решать сложные задачи с помощью современных технологий — и сделаете это на базе знаний, полученных в ТУСУР. Это не просто диплом — это ваш ключ к карьере в Data Science.

Пример введения ВКР ТУСУР

Современный мир генерирует беспрецедентные объемы данных, однако большая часть этой информации остается неиспользованной. Проблема заключается не в количестве данных, а в отсутствии инструментов и компетенций для их анализа. Традиционные методы статистики часто не справляются с нелинейными зависимостями и сложными паттернами, которые характерны для реальных процессов. Машинное обучение (ML) предлагает мощные решения для автоматического выявления скрытых закономерностей, что делает его ключевым инструментом для принятия обоснованных решений в бизнесе, науке и государственном управлении. Однако, несмотря на широкое распространение теоретических знаний, студенты ТУСУР часто испытывают трудности с переходом от академических задач к реальному профессиональному применению ML, особенно в контексте полного цикла — от сбора данных до создания рабочего продукта.

Целью настоящей магистерской диссертации является разработка и протестирование системы анализа данных с использованием методов машинного обучения для решения конкретной практической задачи, обеспечивающей точность прогнозирования или классификации не ниже 85%. Объектом исследования являются процессы сбора, обработки и анализа больших массивов данных в различных предметных областях, предметом — методы и технологии применения машинного обучения для решения практических задач анализа данных, включая предварительную обработку, выбор и обучение моделей, оценку качества и визуализацию результатов. Для достижения цели используются методы анализа данных, проектирования информационных систем, реализации алгоритмов машинного обучения и методы оценки эффективности. Научная новизна заключается в создании уникального комплексного решения, объединяющего все этапы жизненного цикла проекта ML — от сбора и очистки данных до создания интерактивного веб-интерфейса — на примере актуальной задачи, соответствующей специфике региональной экономики или инфраструктуры. Практическая значимость работы состоит в предоставлении готового, документированного и легко воспроизводимого продукта, который может быть использован в учебном процессе ТУСУР для демонстрации возможностей машинного обучения и служить образцом для будущих исследований и проектов студентов.

Заключение ВКР ТУСУР Информационные системы и технологии

В ходе выполнения выпускной квалификационной работы была разработана и протестирована система анализа данных с использованием машинного обучения. Прототип успешно решил поставленную задачу, достигнув точности прогнозирования на уровне 91% (F1-score) на тестовом наборе данных. Веб-интерфейс позволил пользователям без специальных знаний в ML получить наглядные прогнозы и рекомендации. Пользователи отметили, что система «понятна» и «дает четкие ответы». Система полностью соответствует требованиям методички ТУСУР и демонстрирует высокий уровень профессионализма в области анализа данных и разработки программного обеспечения. Полученные данные подтверждают, что способность применять ML для решения реальных задач — это не дополнительный навык, а обязательное условие для успешного IT-специалиста. Работа может служить основой для дальнейших исследований, включая внедрение системы в производственную среду и развитие ее функционала за счет использования глубокого обучения.

Требования к списку источников

Список литературы должен соответствовать ГОСТ 7.1-2003 и включать не менее 40 источников, из которых минимум 25% (10+) должны быть опубликованы за последние 2 года (2023–2025 гг.). Источники следует разделить на категории: научные статьи по машинному обучению, книги по анализу данных, технические руководства по библиотекам Python, исследования по применению ML в конкретной предметной области.

Примеры корректного оформления:

• Goodfellow, I., Bengio, Y., Courville, A. Deep Learning. — MIT Press, 2023. — 775 p.
• Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. — Aurélien Géron, 2024. — 800 p.
• Кузнецов, А.В. Применение методов машинного обучения для прогнозирования отказов технических систем // Вестник ТУСУР. — 2024. — № 1(54). — С. 89–97.
• Pandas Documentation. — URL: https://pandas.pydata.org/docs/ (дата обращения: 15.05.2025)
• Scikit-learn Documentation. — URL: https://scikit-learn.org/stable/ (дата обращения: 15.05.2025)
• ISO/IEC 23053:2023. Artificial intelligence — Framework for data quality assessment. — International Organization for Standardization, 2023.

Обязательно включайте классические учебники по ML (Goodfellow, Géron), статьи из журналов IEEE, технические руководства по scikit-learn и pandas, а также исследования по применению ML в вашей выбранной предметной области. Все ссылки должны быть упомянуты в тексте работы.

Полезные материалы для написания магистерской диссертации

• Все готовые работы Информационные системы и технологии — образцы структур, кода и анализа
• Методические рекомендации по написанию ВКР ТУСУР по направлению 09.03.01
• Курс "Machine Learning Specialization" на Coursera (Stanford University)
• Руководство по созданию дашбордов с помощью Streamlit