Розробка методики передбачення ризиків у аграрній сфері на базі штучного інтелекту - id-2623-219

11.12 - зміст, за яким потрібно виконувати роботу:
ЗМІСТ

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ (за наявності)….……………..
ВСТУП…………………………………………………………………..
Розділ 1 Дослідження підходів до класифікації аграрних ризиків
1.1………………………………………………………………………….
1.2………………………………………………………………………….
1.3………………………………………………………………………….
РОЗДІЛ 2 Оцінка параметрів засухи і суховіїв, як найпоширеніших ризиків у аграрній сфері
2.1………………………………………………………………………….
2.2………………………………………………………………………….
2.3………………………………………………………………………….
РОЗДІЛ 3 Моделювання ризиків за допомогою штучного інтелекту
3.1………………………………………………………………………….
3.2………………………………………………………………………….
3.3………………………………………………………………………….
ВИСНОВКИ……………………………………………………………..
ПЕРЕЛІК ПОСИЛАНЬ…………………………………………………..
ДЕМОНСТРАЦІЙНІ МАТЕРІАЛИ (Презентація) ……………………
Це моє бачення роботи\поради
Російські джерела не використовуйте
Ось ці джерела я використовував коли намагався зробити самостійно
Скидаю посилання на застосунок для моделювання. У ньому також є можливіть використовувати нейромережі для передбачення ризиків, але в ньому потрібно розібратися

https://orangedatamining.com/
Робота потрібна ТЕРМІНОВО. Бо моя робота не пройшла

До роботи потрібна презентація і доповідь.

Спеціальність: Інженерія програмного забезпечення.

У самій роботі програму писати не потрібно. Мені зробили поменьшення вимог до реалізації. Потрібно використати застосунок для моделювання Orange Data Mining.

Дивіться я розділи керівник узгодив а от підпінкти.
Наведу пиклад які я запропонував керівнику і як він відповів мені.
Було запропоновано:
ЗМІСТ
ВСТУП
Розділ 1 Дослідження підходів до класифікації аграрних ризиків
1.1 Еволюція та сучасні підходи теоретичних основ про сутність аграрних ризиків
1.2 Основні функції та концепції управління аграрним ризиком
1.3 Класифікація та характеристика аграрних ризиків
РОЗДІЛ 2 Оцінка параметрів засухи і суховіїв, як найпоширеніших ризиків у аграрній сфері
2.1. Екологічні наслідки від засухи і суховіів
2.2. Оцінка впливу засухи на аграрну сферу
2.3. Можливі наслідки впливу засухи на арарну сферу
РОЗДІЛ 3 Моделювання ризиків за допомогою штучного інтелекту
3.1. Статистичне моделювання показників засухи по регіону за п’ять років
3.2. Визначення ймовірності виникнення засухи протягом п’яти наступних років
3.3. Програмний комплекс моделювання показників засухи
ВИСНОВКИ
ПЕРЕЛІК ПОСИЛАНЬ
ДЕМОНСТРАЦІЙНІ МАТЕРІАЛИ (Презентація)

А відповідь була така:
Ніде у 2, 3 розділі не порописано саме слово "ризик".
Ніде не описано чому саме "Засуха і суховій" обрали як ризикову ситуацію. Тому десь у 2 або в кінці 1 розділу наведіть данні що у вас було проведено аналіз на основі експертних оцінок у аграрній сфері і було встановлено ось такі рівні (від 1 до 5. Ці рівні присвоюємо самостійно але показуємо у табличці) і на самом першому місці виходить засуха і суховій і переходимо до другого розділу. Оремий момент в тому що у другому ви розглядаєте і засуху і суховій а в третьому тільки засуху - то потрібно або не розглядати суховій у другому або розглядати у третьому і засуху і суховій тобто 3.3. модельовання суховію а 3.4. уже Програмний комплекс моделювання показників засухи і суховію. Тобто якщо розглядаємо разом то і моделюємо разом.

Зараз відсутній пункт де ви оцінюєте самі ризики. Конкретно повинні бути таблички в яких наведена порівняльна характеристика ризиків, ось це повинно бути ОБОВЯЗКОВО, треба детально ось це прописати, формули за якими було порівняння цих ризиків або критерії за якими було порівняння. І це можна показати як науковий результат, що вами було промодельовано ризики це буде перший науковий результат а уже потім на основі промодельованих ризиків було досліджено показники які показуєте у третьому розділі

Також було надано мені в допомогу файл і поснення шляхів використання ШІ
Машинне навчання може бути потужним інструментом для аналізу ризиків у сільському господарстві. Ось деякі шляхи, які можна використовувати:

Прогнозування погодних умов: Моделі машинного навчання можуть аналізувати погодні дані (температура, опади, вологість) та прогнозувати можливість засухи або інших небезпечних погодних умов, що можуть вплинути на врожай.

Класифікація ризиків: Моделі класифікації можуть визначити типи ризиків (наприклад, засуха, шкідники, надмірна волога) за допомогою аналізу даних щодо погодних умов, врожаю, хвороб та інших факторів.

Прогнозування врожаю: Машинне навчання може аналізувати багато факторів (погодні умови, тип ґрунту, тип культури тощо) для прогнозування врожаю та визначення потенційних втрат в разі ризикових умов.
Аналіз ринкових тенденцій: Моделі можуть аналізувати дані ринкових цін, попиту та пропозиції для виявлення ризиків цінової волатильності та управління цими ризиками.
Створення систем раннього попередження: Машинне навчання може бути використане для розробки систем, які виявляють попереджувальні сигнали ризику та надають рекомендації щодо управління цими ризиками.

Для цього необхідно мати великий обсяг даних, які включають історичні дані про погоду, врожайність, ринкові показники та інші фактори, що впливають на сільське господарство. Машинне навчання вимагає відповідної підготовки даних, вибору відповідних моделей та їх налаштування для досягнення оптимальних результатів.