Використання методів Data Mining для аналізу даних рекламної мережі

Ростислав Аркадійович Вольський; Інна Іванівна Сугоняк

doi:10.26642/ten-2024-1(93)-122-127

Автор(и)

Ростислав Аркадійович Вольський Державний університет «Житомирська політехніка», Україна https://orcid.org/0009-0009-1336-9492
Інна Іванівна Сугоняк Державний університет «Житомирська політехніка», Україна https://orcid.org/0000-0002-0484-4839

DOI:

https://doi.org/10.26642/ten-2024-1(93)-122-127

Ключові слова:

рекламні мережі, прогнозування, інтелектуальний аналіз даних

Анотація

Важливою і активно досліджуваною темою в сучасних дослідженнях рекламних мереж є прогнозування та аналіз даних, що містить побудову моделей отримання даних і вибір методів їх аналізу. Центральним аспектом дослідження є використання методів Data Mining для обробки великих масивів рекламних даних. Запропоновано математичну модель та методи, що дозволяють прогнозувати навантаження на рекламні сервери і кластеризувати стан їх роботи, визначаючи потенційні збої та проблеми на ранніх стадіях. Ці моделі та методи обробки даних впроваджуються у системи керування, дозволяючи оптимізувати роботу рекламних мереж, знижуючи фінансові витрати та підвищуючи ефективність управління рекламними ресурсами. Окрім цього, розроблено алгоритми для автоматичного масштабування ресурсів, що базуються на прогнозованих даних, забезпечуючи стабільність та надійність системи. Запропоновані технології та методи можуть бути використані у кадровому менеджменті та підготовці висококваліфікованих IT-спеціалістів, забезпечуючи їхнє відповідне навчання та розвиток відповідно до вимог сучасних рекламних мереж.

Посилання

Levkivskyi, V., Lobanchykova, N. and Marchuk, D. (2020), «Research of algorithms of Data Mining», The International Conference on Sustainable Futures: Environmental, Technological, Social and Economic Matters, Vol. 166, pp. 1–6, doi: 10.1051/e3sconf/202016605007.

Prazdnikov, V.O. and Suhoniak, I.I. (2023), «Modeli ta metody mashynnoho navchannia dlia rozpiznavannia feikovoho kontentu», Tekhnichna inzheneriia, No. 2 (92), рр. 131–136, doi: 10.26642/ten-2023-2(92)-131-136.

Krutsitskyi, V.Ya. and Suhoniak, I.I. (2023), «Otsinka efektyvnosti vykorystannia instrumentiv NLP ta system AI dlia analizu reklamnykh oholoshen u systemakh obminu internet-reklamoiu», Tekhnichna inzheneriia, No. 1 (91), рр. 161–165, doi: 10.26642/ten-2023-1(91)-161-165.

Shukla, M. and Majumdar, A. (2020), Extrapolation Using Regression: Challenges and Solutions, [Online], available at: https://www.mphasis.com/content/dam/mphasis-com/global/en/home/innovation/next-lab/Mphasis_Extrapolation_using_Regression_Challenges_and_Solutions_Whitepaper.pdf

«Shcho take liniina rehresiia» (2021), robot_dreams, [Online], available at: https://robotdreams.cc/uk/blog/437-shcho-take-liniyna-regresiya

«FITTING OF A POLYNOMIAL USING LEAST SQUARES METHOD» (2019), Neutrium, [Online], available at: https://neutrium.net/mathematics/least-squares-fitting-of-a-polynomial/

Liangxiao, J., Zhihua, C., Dianhong, W. and Siwei, J. (2007), «Survey of Improving K-Nearest-Neighbor for Classification», [Online], available at: https://www.researchgate.net/publication/4300177_Survey_of_Improving_K-Nearest-Neighbor_for_Classification

Ying, L. and Bo, C. (2009), «An improved k-nearest neighbor algorithm and its application to high resolution remote sensing image classification», doi: 10.1109/GEOINFORMATICS.2009.5293389.

Bronstein, A. (2019), «K-Nearest Neighbors Algorithm», Medium, [Online], available at: https://medium.com/@adi.bronshtein/a-quick-introduction-to-k-nearest-neighbors-algorithm-62214cea29c7

«Apache Druid (part 1): A Scalable Timeseries OLAP Database System» (2019), [Online], available at: https://anskarl.github.io/post/2019/druid-part-1/

Список використаної літератури:

Levkivskyi V. Research of algorithms of Data Mining / V.Levkivskyi, N.Lobanchykova, D.Marchuk // The International Conference on Sustainable Futures: Environmental, Technological, Social and Economic Matters. – 2020. – Vol. 166. – pp. 1–6. DOI: 10.1051/e3sconf/202016605007.

Праздніков В.О. Моделі та методи машинного навчання для розпізнавання фейкового контенту / В.О. Праздніков, І.І. Сугоняк // Технічна інженерія. – 2023. – № 2 (92). – С. 131–136. DOI: 10.26642/ten-2023-2(92)-131-136.

Круціцький В.Я. Оцінка ефективності використання інструментів NLP та систем AI для аналізу рекламних оголошень у системах обміну інтернет-рекламою / В.Я. Круціцький, І.І. Сугоняк // Технічна інженерія. – 2023. – № 1 (91). – С. 161–165. DOI: 10.26642/ten-2023-1(91)-161-165.

Shukla M. Extrapolation Using Regression: Challenges and Solutions / M.Shukla, A.Majumdar. – 2020 [Electronic resource]. – Access mode : https://www.mphasis.com/content/dam/mphasis-com/global/en/home/innovation/next-lab/Mphasis_Extrapolation_using_Regression_Challenges_and_Solutions_Whitepaper.pdf.

Що таке лінійна регресія / robot_dreams. – 2021 [Електронний ресурс]. – Режим доступу : https://robotdreams.cc/uk/blog/437-shcho-take-liniyna-regresiya.

FITTING OF A POLYNOMIAL USING LEAST SQUARES METHOD // Neutrium. – 2019 [Electronic resource]. – Access mode : https://neutrium.net/mathematics/least-squares-fitting-of-a-polynomial/.

Survey of Improving K-Nearest-Neighbor for Classification / J.Liangxiao, C.Zhihua, W.Dianhong, J.Siwei. – 2007 [Electronic resource]. – Access mode : https://www.researchgate.net/publication/4300177_Survey_of_Improving_K-Nearest-Neighbor_for_Classification.

Ying L. An improved k-nearest neighbor algorithm and its application to high resolution remote sensing image classification / L.Ying, C.Bo. – 2009. – DOI: 10.1109/GEOINFORMATICS.2009.5293389.

Bronstein A. K-Nearest Neighbors Algorithm / A.Bronstein // Medium. – 2019 [Electronic resource]. – Access mode : https://medium.com/@adi.bronshtein/a-quick-introduction-to-k-nearest-neighbors-algorithm-62214cea29c7.

Apache Druid (part 1): A Scalable Timeseries OLAP Database System [Electronic resource]. – Access mode : https://anskarl.github.io/post/2019/druid-part-1/.