АрхангельскийМВ_2154_лр1

М инистерство цифрового развития, Связи и Массовых Коммуникаций Российской Федерации

Ордена Трудового Красного Знамени

федеральное государственное бюджетное образовательное

учреждение высшего образования

«Московский Технический Университет Связи и Информатики» (МТУСИ)

Кафедра «Прикладной искусственный интеллект»

Лабораторная работа №1

«Анализ информации по клиентам»

по дисциплине:

Системы искусственного интеллекта

Выполнил:

студент группы БСТ2154

Архангельский Максим Вячеславович

Студенческий билет № ЗБСТ21001

Проверил:

д.э.н., профессор

Соловьёв Владимир Игоревич

Москва 2025

Цель работы

Изучить и применить на практике анализ информации по клиентам, используя Python и ИИ. Выявить информацию по клиентам для облегчения данных.

Задание

Задание следует выполнить в данной последовательности:

1. Подготовка данных

2. Анализ данных

3. Визуализация данных

4. Итог

Ход работы

Как показано на рисунке 1, произведем импорт библиотек, прочитаем имеющиеся данные, а также выведем первые шесть строк данных.

Рисунок 1 — Импорт библиотек и вывод данных

На рисунке 2 продемонстрирован вывод информации по массиву данных.

Рисунок 2 — Информация по массиву данных

На рисунке 3 представлен построенный график на основе данных «User_Score»

Рисунок 3 — График «User_Score»

Заполним пустые ячейки массива информацией, как представлено на рисунке 4.

Рисунок 4 — Заполнение массива

Проверим информацию о массиве, как показано на рисунке 5.

Рисунок 5 — Проверка массива данных.

На примере рисунка 6 возьмем Y-массив данных продаж в Японии и возьмем X-массив данных копий по названию, студии и продаж в Японии, посмотрим, что находится в X-массиве.

Рисунок 6 — Работа с массивами данных

Разделим данные на обучающую выборку, которую покажем машине, и тестовую, которую машине не будем показывать при обучении, как представлено на рисунке 7.

Рисунок 7 — Разделение данных

Создадим модель линейной регрессии и научим её выборочной выборке x_train и y_train, как показано на рисунке 8.

Рисунок 8 — Создание и обучение модели

Формула вычисления прогноза представлена на рисунке 9.

Рисунок 9 — Формула вычисления прогноза

Проведем вычисление погрешностей ошибок предсказания, как показано на рисунке 10.

Рисунок 10 — Расчет погрешностей ошибок предсказания

Построим график распределения ошибок на тестовой выборке, как показано на рисунке 11.

Рисунок 11 — График распределения ошибок

Проведем импорт функций из библиотеки catboost, возьмем Y-массив данных продаж в Японии, возьмем X-массив данных копии по названию, студии продаж в Японии, как показано на рисунке 12.

Рисунок 12 ­— Работа с данными

Проведем обучение через Catboost, как показано на рисунке 13.

Рисунок 13 — Обучение через catboost

Затем, построим график, как показано на рисунке 14.

Рисунок 14 — График

Проведем подсчет ошибок прогноза, как показано на рисунке 15.

Рисунок 15 — Подсчет ошибок прогноза

После окончания подсчета ошибок прогноза проведем построение графика распределения ошибок на тестовой выборке, результат представлен на рисунке 16.

Рисунок 16 — График распределения ошибок на тестовой выборке

Заключение

В ходе проведённого исследования было установлено, что грамотное применение клиентских данных способно существенно улучшить уровень сервиса и оптимизировать бизнес-процессы. Выявление ключевых особенностей целевой аудитории и глубокое понимание её запросов создаёт основу для формирования эффективной маркетинговой стратегии, а также совершенствования коммуникации с потребителями.