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.
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
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].