Веб-сервис прогноза тендерных закупок

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].