РОЗРОБКА МОДЕЛІ МАШИННОГО НАВЧАННЯ ДЛЯ ОЦІНЮВАННЯ ІНВЕСТИЦІЙНОЇ ПРИВАБЛИВОСТІ ПРОЄКТІВ НА ОСНОВІ ТЕХНОЛОГІЇ АНАЛІЗУ НАСТРОЇВ
| dc.contributor.author | Галамець А. В. | |
| dc.date.accessioned | 2026-06-22T11:04:06Z | |
| dc.date.issued | 2026 | |
| dc.description | Галамець А. В. Розробка моделі машинного навчання для оцінювання інвестиційної привабливості проєктів на основі технології аналізу настроїв = Development of a machine learning model for assessing the investment attractiveness of projects based on sentiment analysis technology : кваліфікаційна робота на здобуття ступеня вищої освіти «бакалавр» / А. В. Галамець; наук. керівник д. е. н. проф. В. М. Кобець ; Міністерство освіти і науки України ; Херсонський держ. ун-т, ф-т комп’ютерних наук, фізики та математики, кафедра комп’ютерних наук та програмної інженерії. – Івано-Франківськ : ХДУ, 2026. – 62 с. | |
| dc.description.abstract | Кваліфікаційна робота присвячена розробці багаторівневої системи оцінки інвестиційної привабливості краудфандингових проєктів на платформі Kickstarter методами машинного навчання та аналізу настроїв інвесторів. Традиційні методи оцінки інвестиційних можливостей у краудфандингу характеризуються низькою передбачуваністю (успішність випадкового вибору — 35%), суб'єктивністю та відсутністю автоматизації. З огляду на це, робота має високу актуальність. Метою кваліфікаційної роботи є підвищення ефективності інвестиційних рішень на 2.15 раза (ROI 312% проти 145%) шляхом створення інтегрованої системи кластеризації (4 профілі: "Зірки", "Темні коні", "Традиціоналісти", "Невдахи"), прогнозування Random Forest (AUC=0.87) та зваженої оцінки за формулою (3.1). Для досягнення мети проведено аналіз 685 проєктів, розроблено sentiment-аналіз текстів, кластеризацію k-means та багаторівневу систему пріоритизації. / The qualification work focuses on developing a multi-level system to assess the investment attractiveness of Kickstarter crowdfunding projects using machine learning and investor sentiment analysis. Traditional investment evaluation methods in crowdfunding are characterized by low predictability (random selection success rate — 35%), subjectivity, and a lack of automation. Given this, the work is highly relevant. The purpose of the qualification work is to increase investment decision efficiency by 2.15 times (ROI 312% vs 145%) by creating an integrated system of clustering (4 profiles: "Stars", "Dark Horses", "Traditionalists", "Losers"), Random Forest prediction (AUC=0.87), and weighted assessment using formula (3.1). To achieve this goal, an analysis of 685 projects was conducted, a sentiment analysis of texts was developed, k-means clustering was performed, and a multi-level prioritization system was created. | |
| dc.identifier.uri | https://ekhsuir.kspu.edu/handle/123456789/22577 | |
| dc.subject | Краудфандинг | |
| dc.subject | машинне навчання | |
| dc.subject | кластеризація | |
| dc.subject | аналіз настроїв | |
| dc.subject | Random Forest | |
| dc.subject | інвестиційна привабливість | |
| dc.subject | Kickstarter | |
| dc.subject | прогнозування успіху | |
| dc.subject | ROI оптимізація | |
| dc.subject | k-means / Crowdfunding | |
| dc.subject | machine learning | |
| dc.subject | clustering | |
| dc.subject | sentiment analysis | |
| dc.subject | investment attractiveness | |
| dc.subject | success prediction | |
| dc.subject | ROI optimization | |
| dc.subject | k-means. | |
| dc.title | РОЗРОБКА МОДЕЛІ МАШИННОГО НАВЧАННЯ ДЛЯ ОЦІНЮВАННЯ ІНВЕСТИЦІЙНОЇ ПРИВАБЛИВОСТІ ПРОЄКТІВ НА ОСНОВІ ТЕХНОЛОГІЇ АНАЛІЗУ НАСТРОЇВ | |
| dc.title.alternative | DEVELOPMENT OF A MACHINE LEARNING MODEL FOR ASSESSING THE INVESTMENT ATTRACTIVENESS OF PROJECTS BASED ON SENTIMENT ANALYSIS TECHNOLOGY | |
| dc.type | Other |