prikaz prve stranice dokumenta Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca
Rad nije dostupan
završni rad
Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. urn:nbn:hr:168:345760
Grujić Ostojić, Petra Dunja
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Grujić Ostojić, P. D. (2022). Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:345760

Grujić Ostojić, Petra Dunja. "Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:345760

Grujić Ostojić, Petra Dunja. "Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:345760

Grujić Ostojić, P. D. (2022). 'Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 23.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:345760

Grujić Ostojić PD. Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2022 [pristupljeno 23.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:345760

P. D. Grujić Ostojić, "Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:345760

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:345760
Podaci o radu
NaslovUporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca
Naslov (engleski)Using Unsupervised Machine Learning Methods for Analyzing Customer Habits
AutorPetra Dunja Grujić Ostojić
MentorDamir Pintar (mentor)
Član povjerenstvaDamir Pintar (predsjednik povjerenstva)
Član povjerenstvaMatija Šulc (član povjerenstva)
Član povjerenstvaLuka Humski (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2022-07-12, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Osnovni zadatci nenadziranog strojnog učenja su grupiranje, procjena gustoće, otkrivanje anomalija i stršećih vrijednosti i smanjenje dimenzionalnosti. Nenadzirano strojno učenje ima veliku primjenu u marketingu. Danas to područje obiluje podatcima pomoću kojih tvrtke mogu razumjeti potrebe kupaca i steći njihovu naklonost, a time i dugoročni profit. U ovom je radu naglasak na metodama grupiranja kupaca na temelju njihovih karakteristika i potrošačkih navika. Na odabranom podatkovnom skupu provedena je eksploratorna analiza, reducirana dimenzionalnost te su primijenjeni algoritmi K-sredina, K-medoida i algoritam hijerarhijskog grupiranja (HAC). Uočeno je da na ovom podatkovnom skupu algoritam K-sredina dao bolje rezultate od algoritma K-medoida: dobivene 3 grupe su bile homogenije. Na temelju razlika između grupa kupaca tvrtka bi mogla personalizirati buduću marketinšku kampanju.
Sažetak (engleski)
Unsupervised machine learning models are utilized for four main tasks: clustering, density estimation, anomalies and outliers detection, and dimensionality reduction. Nowadays, there's a lot of data that can be used to satisfy customer needs and sustain a profitable business. Therefore, unsupervised machine learning plays a major role in marketing. The main focus of this paper is customer clustering techniques. Before performing customer segmentation based on their characteristics and purchase behavior, an exploratory analysis of chosen dataset has been done. Clustering algorithms that were used in this paper are the K-means algorithm, the K-medoids algorithm, and hierarchical agglomerative clustering (HAC). It turned out that the K-means algorithm outperformed the K-medoids algorithm on this dataset: 3 obtained clusters were more homogeneous. Based on differences among clusters company could personalize its future marketing campaign.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:345760
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-15 10:15:00