Диплом. Программная инженерия. ТЕМА. Интеллектуальная система прогнозирования уровня загруженности отдела поддержки предприятия

Была написана выпускная квалификационная работа, сдана на оценку 5, также проверена на антиплагиат

 К сожалению только сам диплом остался (код программы есть в дипломе)

Не нашли нужную работу в магазине или Вас интересует другой вариант? Вы всегда можете написать мне в личные сообщения - https://studwork.ru/info/426355 и я уверен, что смогу помочь Вам в решение Вашей задачи)

Введение

Тема научной-исследовательской работы интеллектуальная система предсказания уровня загруженности отдела поддержки. В рамках выбранной мною темы подразумевается программная реализация системы, которая должна будет помочь повысить эффективность работы отдела поддержки, а также помочь руководителю отдела правильно распределять количество работников на объекте.

С развитием информационных технологий они стали внедряться повсеместно и стали неотъемлемой частью большинства компаний желающих не отставать от технического прогресса и вводить нововведения помогающие развитию и улучшению качества работы организации. Так компании занимающиеся каким-либо обслуживанием клиентов внедрили информационные системы приёма заявок заказчиков.

В качестве примера работы отдела поддержки мною были выбраны дежурные инженеры ЦОД (Центр Обработки Данных), которые принимают и ведут работу над заявками.

Актуальностью данной работы является использование современных средств разработки интеллектуальных систем для помощи руководителям планировать количество работников и внутренней нагрузки на них.

При разработке мною была выбрана Классическая итеративная модель жизненного цикла.

Итеративные или инкрементальные модели определены декомпозицией создаваемой информационной системы на несколько последовательных наборов, как правило части этапов жизненного цикла. Соответственно, разработка программного обеспечения при такой модели основывается на итерациях с циклами обратной связи между этапами. Корректировка между этапами учитывает реальные процессы влияния различных стадий, при этом каждое действие обусловлено всем периодом жизненного цикла.

Достоинства инкрементальной модели:

•  по сравнению с каскадной моделью затраты на реализацию программного обеспечения уменьшаются, за счет реализации повторного анализа в следующих итерациях и соответственно, своевременном изменении требований;

•     согласно модели, первые части разработки представляют прототип информационной системы, поэтому заинтересованные лица уже на первых этапах могут участвовать в обсуждениях того, что уже сделано;

•  в связи с тем, что разрабатываются прототипы информационной системы, то пользователь получает возможность его использования для получения выгоды, не дожидаясь окончательной версии.

Недостатки инкрементальной модели :

•     заинтересованные лица должны постоянно контролировать процесс разработки в сторону улучшения создаваемого программного обеспечения. При этом процесс быстрой разработки не предусматривает создание документации для каждой новой версии;

•       общеизвестно, что появление новых изменений в программном обеспечении приводит к усложнению структуры системы и как следствие к удорожанию проекта. При этом прерывание жизненного цикла может привести к построению неадекватного программного обеспечения с потерями информации.

Литературный обзор

1.                Лоскутов А.Ю. «Анализ временных рядов».

Это учебник для студентов и аспирантов по временным рядам. Предполагается, что некоторые знания регрессионного анализа и математические статистические данные. Это предполагает некоторый опыт регрессионного анализа и некоторый опыт работы с математической статистикой. Книга структурирована таким образом, что теория и приложение разделены, что позволяет книге быть полезной для разных аудиторий, таких как студенты и аспиранты. Охватывает все основные области анализа временных рядов, такие как модели ARIMA, GARCH и ARMAX и спектральный анализ, и делает это довольно хорошо. Большинство объяснений достаточно ясны для новичка (с некоторой статистической подготовкой) и сопровождаются проработанными примерами (что, по – видимому, опущено во многих текстах временных рядов).

2.                Шолле Франсуа «Глубокое обучение на Python».

Данная книга написана для всех желающих начать изучение глубокого обучения, но она так же будет полезна продвинутым разработчика что бы подчерпнуть новые и интересные вещи. Книга предлагает реальное практическое исследование глубокого обучения. В ней отдаётся предпочтение объяснения не формулами, а за счёт отдельных кусков кода, для того что бы сформировать у читающего понимание основных и важных идей машинного и глубокого обучения для комфортной работы с ними. Книга мне очень подошла, так как разрабатываемая интеллектуальная система писалась на питоне и использовались библиотеки, описанные в этой книге.

3.                Хайкин С. «Нейронные сети».

В книге рассматриваются основные парадигмы искусственных нейронных сетей. Представленный материал содержит строгое математическое обоснование всех нейросетевых парадигм, иллюстрируется примерами, описанием

компьютерных экспериментов, содержит множество практических задач, а также обширную библиографию.

В книге также анализируется роль нейронных сетей при решении задач распознавания образов, управления и обработки сигналов. Структура книги очень удобна для разработки курсов обучения нейронным сетям и интеллектуальным вычислениям.

1.                                                                                                        Исследовательский раздел

1.1.  Анализ предметной области

В настоящие время крупные компании используют информационные технологии для удобного и более быстрого взаимодействия с клиентом. В рамках выбранной мною темы подразумевается программная реализация системы, которая должна будет помочь повысить эффективность работы отдела поддержки IT – компании, а также помочь руководителю отдела правильно распределять количество работников на объекте.

С развитием информационных технологий они стали внедряться повсеместно и стали неотъемлемой частью большинства компаний, желающих не отставать от технического прогресса и вводить нововведения, помогающие развитию и улучшению качества работы организации. Так компании, занимающиеся каким – либо обслуживанием клиентов, внедрили информационные системы приёма заявок заказчиков.

В качестве примера работы отдела поддержки мною были выбраны дежурные инженеры ЦОД (Центр Обработки Данных), которые принимают и ведут работу над заявками.

В отдел поддержки поступают заявки от клиентов, которые специалисту не обходимо обработать. Очевидно, что каждый клиент направляющий запрос в отдел поддержки хочет, чтобы его заявка была выполнена в кротчайшие сроки. Зачастую это не посильная, даже не выполнимая задача из – за не правильного распределения сил дежурных по площадкам и большой нагрузки заявок.

Заявки могут иметь различную форму обращений, они отличаются по своей структуре выполнения и уровня сложности. Для понимания процесса обработки заявок, а также времени и сил, которое было затрачено, приведём в пример некоторые запросы поступившие в отдел поддержки Центра Обработки данных и кратко их разберём.

Заявка на посещение Центра обработки данных. Выполнение данного типа заявки подразумевает в себе встречу клиента и

Список литературы

1.  Сорокин, А.Б. Искусственные нейронные сети прямого распространения: учебно – методическое пособие / А.Б. Сорокин, О.В. Платонова. – М.: МИРЭА – Российский технологический университет, 2018. – 68с.

2.  Страница приложения Recurrent neural networks [Электронный ресурс] URL: https://neurohive.io/ru/osnovy – data – science/recurrent – nejronnye – seti/ (дата обращения 10.12.2020)

3.  Страница приложения studme.org [Электронный ресурс] URL: https://studme.org/150974/meditsina/travmy_zanyatiyah_fizkulturoy_sportom_prichi ny_profilaktika (дата обращения 11.12.2020)

4.  Страница приложения gercules.fit [Электронный ресурс] URL: https://gercules.fit/pitanie/sportivnoe – pitanie/eda – i – trenirovki/pitaniye – pri – trenirovkah.html (дата обращения 11.12.2020)

5.  Страница приложения Habr.com [Электронный ресурс] URL: https://habr.com/ru/post/318970/ (дата обращения 13.12.2020)

6.  Сурина, Е.Е. Методы анализа данных : учебное пособие / Е.Е. Сурина.

— 2-е изд. — Москва : ФЛИНТА, 2015. — 130 с. — ISBN 978-5-9765-2499-6. —

Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/72701 (дата обращения: 19.12.2019).

7.  Галушкин, А.И. Нейронные сети: основы теории : учебное пособие / А.И.Галушкин. — Москва : Горячая линия-Телеком, 2012. — 496 с. — ISBN978- 5-9912-0082-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/5144 (дата обращения: 20.12.2019).

8.  Сорокин, А.Б. Распознавание объектов с использованием искусственных нейронных сетей по текстуре материала / А.Б. Сорокин, Е.А. Зикеева // Научный журнал «Научно-технический вестник Поволжья», 2018. – №7. – С. 143 –146.

9.  Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер.с польск. И.Д.Рудинского: учебное пособие / Д. Рутковская,М.

Пилиньский, Л. Рутковский. — 2-е изд. — Москва : Горячая линия-Телеком, 2013. — 384 с. — ISBN 978-5-9912-0320-3. — Текст :электронный // Лань : электронно-библиотечная система. —URL:https://e.lanbook.com/book/11843 (дата обращения: 20.12.2019).

10.           Саммерфилд, М. Python на практике : учебное пособие / М. Саммерфилд ;перевод с английского А.А. Слинкин. — Москва : ДМК Пресс, 2014. —338 с. — ISBN 978-5-97060-095-5. — Текст : электронный // Лань

:электронно-библиотечная система. — URL:https://e.lanbook.com/book/66480 (дата обращения: 19.12.2019).

11.           Буйначев, С.К. Основы программирования на языке Python : учебное пособие / С.К. Буйначев, Н.Ю. Боклаг. — Екатеринбург : УрФУ, 2014. —91 с. — ISBN 978-5-7996-1198-9. — Текст : электронный // Лань: электронно библиотечная система. — URL: https://e.lanbook.com/book/98262 (дата обращения: 19.12.2019).

12.           Уэс, М. Python и анализ данных / М. Уэс ; перевод с английского А.А. Слинкин. — Москва : ДМК Пресс, 2015. — 482 с. — ISBN 978-5-97060-315-

4.   — Текст : электронный // Лань : электронно-библиотечная система.— URL: https://e.lanbook.com/book/73074 (дата обращения: 19.12.2019).

13.           Вьюгин, В.В. Математические основы машинного обучения и прогнозирования : учебное пособие / В.В. Вьюгин. — Москва : МЦНМО, 2014.

— 304 с. — ISBN 978-5-4439-2014-6. — Текст : электронный // Лань: электронно- библиотечная система. — URL: https://e.lanbook.com/book/56397 (дата обращения: 19.12.2019).

14.           Гелиг, А.Х. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей : учебное пособие / А.Х. Гелиг, А.С. Матвеев. — Санкт-Петербург : СПбГУ, 2014. — 224 с. — ISBN 978-5-288-05551-

5.  — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/94673 (дата обращения: 20.12.2019).

15.           Ростовцев, В.С. Искусственные нейронные сети :  учебник  / В.С. Ростовцев. — Санкт-Петербург : Лань, 2019. — 216 с. — ISBN 978-5-8114-

3768-9. — Текст :электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/122180 (дата обращения: 20.12.2019).

Лучано, Р. Python. К вершинам мастерства / Р. Лучано ; перевод с английского А.А. Слинкин. — Москва : ДМК Пресс, 2016. — 768 с. —ISBN 978- 5-97060-384-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/93273 (дата обращения: 20.12.2019