ЗАСТОСУВАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ ВДОСКОНАЛЕННЯ ЦИФРОВИХ МАРКЕТИНГОВИХ СТРАТЕГІЙ

Abstract

Ця робота присвячена Застосуванню машинного навчання для вдосконалення цифрових маркетингових стратегій . Порівняння зображень в інтернеті стає все більш складним завданням через інтенсивний розвиток інтернет-технологій та збільшення обсягу доступних зображень. Деякі інструменти можуть не ефективно знаходити схожі зображення, особливо коли вони мають незначні візуальні або контекстуальні відмінності. Дослідити різні аспекти цих сервісів, такі як їх можливості, точність результатів, швидкість обробки. Порівняти їх переваги та недоліки, можливості і обмеження. Розробити свій алгоритм для програми порівняння зображень. З огляду на це, кваліфікаційна робота характеризується актуальністю. Метою кваліфікаційної роботи є розробити свій алгоритм для програми порівняння зображень . Для досягнення зазначеної мети вивчається література Маркетинг в соціальних мережах, також порівнювати результати обробки зображень на цих сайтах за допомогою метрик якості, таких як PSNR (Peak Signal-to-Noise Ratio) або SSIM (Structural Similarity Index). / This paper is dedicated to. Applying machine learning to improve digital marketing strategies. Comparing images on the Internet is becoming an increasingly challenging task due to the intensive development of Internet technologies and the increase in the volume of available images. Some tools may not be effective at finding similar images, especially when they have minor visual or contextual differences. Research various aspects of these services, such as their capabilities, accuracy of results, and processing speed. Compare their advantages and disadvantages, opportunities and limitations. Develop your own algorithm for an image comparison program. In view of this, the qualification work is characterized by relevance. The purpose of the qualification work is to develop your own algorithm for an image comparison program. To achieve this goal, the literature on social media marketing is studied, and the results of image processing on these sites are compared using quality metrics such as PSNR (Peak Signal-to-Noise Ratio) or SSIM (Structural Similarity Index).