Разработка модели для определения наиболее вероятной длительности задач проекта методами нейронных сетей
Объектом проектирования и разработки является модель для определения наиболее вероятной длительности задач методами нейронных сетей и анализа рисков по задачам. В процессе исследования был проведён анализ рисков и разработан сервис для генерации факторов риска по задачам, на основании которого был произведён выбор модели для дальнейшей реализации. В результате был предложен нейросетевой модель который позволяет анализировать факторы по задачам и предсказывать трудозатраты. В ходе проведения анализа были подобраны такие параметры, при которых модель предсказывает трудозатраты с высокой точности.
Введение ………………………………………………………………………………………………….. 13
1 Определение и оценка рисков задач ………………………………………………………… 14
1.1 Параметры оценки риска ……………………………………………………………………… 14
1.2 Градация рисков ………………………………………………………………………………….. 18
1.3 Управление рисками задач …………………………………………………………………… 19
2 Разработка модели………………………………………………………………………………….. 20
2.1 Входные данные и нормализация………………………………………………………….. 20
2.2 Качество выборки данных …………………………………………………………………… 21
2.3 Алгоритм word2vec ……………………………………………………………………………… 22
2.4 Подсчеты, совпадения и значение …………………………………………………………. 24
2.5 Точечная взаимная информация и сжатие ……………………………………………… 25
2.6 Сходство слов и близость векторов ………………………………………………………. 27
2.7 Аналогии и линейное пространство ………………………………………………………. 28
2.8 Различия и прогнозы ……………………………………………………………………………. 30
2.9 Реализация алгоритма с помощь библиотеки gensim ………………………………. 30
3 Функция оценки длительности задач ……………………………………………………….. 34
3.1 Статистический анализ модели …………………………………………………………….. 34
3.2 Реализация оценки длительности задач …………………………………………………. 37
3.3 Интерфейс функции оценка длительности задачи ………………………………….. 39
3.4 Интерфейс самые рискованные задачи …………………………………………………. 41
4 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение ……. 42
4.1 Предпроектный анализ ………………………………………………………………………… 42
4.2 Планирование научно-исследовательских работ ……………………………………. 51
4.3 Оценка сравнительной эффективности исследования …………………………… 60
4.4 Вывод по разделу ………………………………………………………………………………… 63
5 Социальная ответственность …………………………………………………………………… 65
5.1 Правовые и организационные вопросы обеспечения безопасности …………. 65
5.2 Производственная безопасность …………………………………………………………… 69
5.3. Экологическая безопасность ……………………………………………………………….. 79
5.4. Безопасность в чрезвычайных ситуациях ……………………………………………… 83
5.5 Выводы по разделу ………………………………………………………………………………. 86
Заключение ………………………………………………………………………………………………. 87
Список использованных источников ………………………………………………………….. 88
Приложение А ………………………………………………………………………………………….. 92
Приложение Б …………………………………………………………………………………………. 102
Благодаря методам машинного обучения мы наделяем компьютерам
способности обрабатывать большие объемы данных, которые в противном
случае стояли бы непроницаемой стеной, даем им возможность обучаться на
этих данных и извлекать из них практические выводы.
Целью данной работы является исследование и анализ задач методами
машинного обучения, для решения вопроса схожести и дальнейшего предсказания
трудозатрата по задаче.
Для достижения данной цели необходимо:
анализировать факторы, которые влияют на риски
проанализировать существующие нейросетевые модели;
разработать модель для определения длительности;
реализовать программу на основе полученной модели;
произвести обучение и тестирование разработанной модели.
В ходе выполнения выпускной квалификационной работы был проведен
анализ предметной области, включающий в себя предсказание трудозатрат по
задачам с учетом разных факторов, которые влияют на длительность.
Нейронная модель помогает принять решения при оценке длительности
задачи.
Наиболее вероятная длительность задачи, рассчитанная программой,
служит ориентиром при выставлении трудозатрат задачи. Функция помогает
более точно назначить срок задачи, ориентируясь среднюю длительность
выполнения задачи, а также на минимальный и максимальный срок выполнения.
Значительное отклонение от предлагаемой программой длительности
может стать поводом для того, чтобы скорректировать установленные сроки.
Однако последнее слово при установлении длительности задачи остается за
ведущим проектировщиком, поскольку программа не может учесть все
многообразие факторов.
В том случае, если срок, установленный для выполнения задачи,
критично превышает рекомендуемое значение, ведущий проектировщик может
и должен обратить на это внимание и выяснить причину увеличения или
сокращения сроков. Это необходимо для объективного планирования – слишком
короткие сроки выполнения задачи без обоснования причин (допустим,
сотрудник нашел способ выполнять задачу быстрее) могут привести к
нарушению ТХПР или увеличению сроков задачи на этапе выполнения проекта,
что увеличит общие трудозатраты. Слишком долгие сроки задач – повод помочь
проектировщику освоить новые способы работы, которые позволят выполнять
эту задачу быстрее.
Последние выполненные заказы
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!