Використання методів машинного навчання для оцінки вартості житла
Мета роботи. Для оцінки вартості житла у місті Києві застосовано підхід, що базується на нечіткій логіці. Нечіткі методи дозволяють застосовувати лінгвістичний опис складних процесів, встановлювати нечіткі взаємозв'язки між поняттями, прогнозувати поведінку системи, створювати набір альтернатив...
Збережено в:
| Опубліковано в: : | Кібернетика та комп’ютерні технології |
|---|---|
| Дата: | 2021 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2021
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/179355 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Використання методів машинного навчання для оцінки вартості житла / В.В. Третиник, А.Т. Возняк, В.М. Домрачев // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 1. — С. 67-73. — Бібліогр.: 8 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860196295901184000 |
|---|---|
| author | Третиник, В.В. Возняк, А.Т. Домрачев, В.М. |
| author_facet | Третиник, В.В. Возняк, А.Т. Домрачев, В.М. |
| citation_txt | Використання методів машинного навчання для оцінки вартості житла / В.В. Третиник, А.Т. Возняк, В.М. Домрачев // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 1. — С. 67-73. — Бібліогр.: 8 назв. — укр. |
| collection | DSpace DC |
| container_title | Кібернетика та комп’ютерні технології |
| description | Мета роботи. Для оцінки вартості житла у місті Києві застосовано підхід, що базується на нечіткій логіці. Нечіткі методи дозволяють застосовувати лінгвістичний опис складних процесів, встановлювати нечіткі взаємозв'язки між поняттями, прогнозувати поведінку системи, створювати набір альтернативних дій, формально описувати нечіткі правила прийняття рішень. Результати. Виконана програмна реалізація моделі на мові програмування Python. Дані для моделювання взяті за період липень–жовтень 2020 року з єдиної бази звітів про оцінку майна. Вибірка містила 2133 записи, вона відфільтрована, поділена на навчальну та тестову у пропорції 85 : 15. Для оцінки якості роботи програми розраховано середню відносну похибку розробленої моделі.
Цель статьи. В данной работе для оценки стоимости жилья в Киеве был применен подход, основанный на нечеткой логике. Нечеткие методы позволяют применять лингвистический описание сложных процессов, устанавливать нечеткие взаимосвязи между понятиями, прогнозировать поведение системы, создавать набор альтернативных действий, формально описывать нечеткие правила принятия решений. Результаты. Была выполнена программная реализация модели на языке программирования Python. Данные для моделирования были взяты за период июль-октябрь 2020 года с единой базы отчетов об оценке имущества. Выборка включала 2133 записи, она была отфильтрована, поделена на учебную и тестовую в пропорции 85:15. Для оценки качества работы программы было рассчитано среднюю относительную погрешность разработанной модели.
The purpose of the paper. In this paper, an approach based on fuzzy logic was used to estimate the cost of housing in Kyiv. Fuzzy methods allow to apply a linguistic description of complex processes, to establish fuzzy relationships between concepts, to predict the behavior of the system, to create a set of alternative actions, to formally describe fuzzy decision-making rules. Results. The software implementation of the model in Python programming language was performed. Data for modeling were taken for the period July – October 2020 from a single database of property valuation reports. The sample contained 2133 records, it was filtered, divided into training and testing in the proportion of 85 : 15. To assess the quality of the program, the average relative error of the developed model was calculated.
|
| first_indexed | 2025-12-07T18:08:43Z |
| format | Article |
| fulltext |
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ: ТЕОРІЯ ТА ІНСТРУМЕНТАЛЬНІ ЗАСОБИ
ISSN 2707-4501. Cybernetics and Computer Technologies. 2021, No.1 67
КІБЕРНЕТИКА
та КОМП'ЮТЕРНІ
ТЕХНОЛОГІЇ
У даній роботі розглянуто застосування
методів нечіткої математики для оцінки
вартості житла у місті Києві. Для системи
нечіткого виводу застосовано алгоритм
Мамдані. Виконана програмна реалізація
не-чіткої моделі на мові програмування
Python з використанням бібліотеки sklearn.
Обчислена середня відносна похибка розроб-
леної моделі.
Ключові слова: нечітка логіка, машинне
навчання, програмування на Пайтоні, лінгві-
стичні змінні, прогнозна модель.
В.В. Третиник, А.Т. Возняк,
В.М. Домрачев, 2021
УДК 519.67 DOI:10.34229/2707-451X.21.1.7
В.В. ТРЕТИНИК, А.Т. ВОЗНЯК, В.М. ДОМРАЧЕВ
ВИКОРИСТАННЯ МЕТОДІВ
МАШИННОГО НАВЧАННЯ
ДЛЯ ОЦІНКИ ВАРТОСТІ ЖИТЛА
Вступ. Сучасні системи прийняття рішень у більшості
випадків пов’язані з обробкою нечіткої інформації.
Завдяки зростанню потужності обчислювальної техні-
ки, з’явились програмні засоби та бібліотеки функцій,
які реалізують операції обробки над нечіткими мно-
жинами. Потужні бібліотеки методів машинного
навчання реалізовані в мові програмування Python, що
дозволяє розробляти та впроваджувати алгоритми
нечіткого виводу.
Метою даної роботи – застосування методів ма-
шинного навчання для оцінки вартості житла у місті
Києві. На сьогоднішній день для оцінки вартості жит-
ла використовується порівняльний підхід [1, 2]. Але
складність підбору об’єктів аналогів для парної оцін-
ки обмежує область застосування методу. Альтерна-
тивними методами є статистичні методи, зокрема,
економетричні методи [3, 4], методи дисперсійного
аналізу [5], методи нечіткої математики [6], а також
нейромережеві методи [7].
У даній роботі розглянуто застосування методів
нечіткої математики для оцінки вартості житла.
Методи нечітких множин особливо корисні за від-
сутності точної математичної моделі функціонування
системи. Теорія нечітких множин дає можливість
застосувати для прийняття рішень неточні та суб’єк-
тивні експертні знання про предметну область без
формалізації їх у вигляді традиційних математичних
моделей. З використанням теорії нечітких множин
вирішуються питання узгодження суперечливих
критеріїв прийняття рішень.
Система нечіткого виводу – це нелінійне відобра-
ження, яке перетворює дані з чітких входів у чіткі
результати виведення. Різні алгоритми нечіткого
виводу (Мамдані, Цукамото, Ларсена, Сугено) від-
різняються способом отримання чіткого виводу.
Незалежно від виду алгоритму всі вони містять такі
етапи (рис. 1):
а) фазифікації. В контексті нечіткої логіки під
фазифікацією розуміють не тільки окремий етап ви-
конання нечіткого виведення, а й власне процес або
процедуру знаходження значень функцій належності;
https://doi.org/10.34229/2707-451X.21.1.7
В.В. ТРЕТИНИК, А.Т. ВОЗНЯК, В.М. ДОМРАЧЕВ
68 ISSN 2707-4501. Кібернетика та комп'ютерні технології. 2021, № 1
б) нечітких множин (термів) на основі звичайних (не нечітких) вихідних даних. Фазифікацію
ще називають введенням нечіткості. Мета етапу фазифікації – встановлення відповідності між кон-
кретним (зазвичай – чисельним) значенням окремої вхідної змінної системи нечіткого виведення і
значенням функції належності відповідного їй терма вхідної лінгвістичної змінної. Після завер-
шення цього етапу для всіх вхідних змінних мають бути визначені конкретні значення функцій
належності по кожному з лінгвістичних термів, які використовуються в передумовах бази правил
системи нечіткого виведення;
в) агрегація – це процедура визначення ступеня істинності умов кожного з правил системи
нечіткого виведення;
г) активізація в системах нечіткого виведення – процедура або процес знаходження ступеня
істинності кожного з правил нечіткого виводу;
д) акумуляція в системах нечіткого виведення – процедура або процес знаходження функції
належності для кожної з вихідних лінгвістичних змінних. Мета акумуляції полягає у тому, щоб
об'єднати або акумулювати всі ступені істинності висновків для отримання функції належності
кожної з вихідних змінних. Причина необхідності виконання цього етапу полягає у тому, що
висновки, які відносяться до однієї і тієї ж вихідної лінгвістичної змінної, належать різним прави-
лам системи нечіткого виводу.
РИС. 1. Загальна схема нечіткого виводу
У даній роботі для системи нечіткого виводу застосовано алгоритм Мамдані. Даний алгоритм
описано, зокрема, в [1].
Дані для моделювання взяті за період липень – жовтень 2020 року з єдиної бази звітів
про оцінку майна [8]. Вибірка містить 2133 записи, яка поділена на навчальну та тестову в пропор-
ції 85:15, тобто навчальна вибірка містить 1813 записів, тренувальна 320. Далі показана частина
таблиці з даними.
ТАБЛИЦЯ
Вид об’єкта оцінки Дата оцінки
Дата
реєстрації звіту
Оціночна вартість
об’єкта оцінки,
грн.
Об’єкт житлової нерухомості 25.09.2020 25.09.2020 77500
Об’єкт житлової нерухомості 25.09.2020 25.09.2020 413275
Об’єкт житлової нерухомості 25.09.2020 25.09.2020 224000
Об’єкт житлової нерухомості 25.09.2020 25.09.2020 22000
Оцінка
нечіткості,
фазифікація
Логічний
вивод,
агрегація
Композиція
Активізація
Забезпечення
чіткості,
акумуляція
Чіткий
вхід
Чіткий
результат
ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ОЦІНКИ ВАРТОСТІ ЖИТЛА
ISSN 2707-4501. Cybernetics and Computer Technologies. 2021, No.1 69
Таблиця містить такі колонки: Оціночна вартість об’єкта оцінки, грн; Статус звіту; Регіон
об’єкта оцінювання; Населений пункт об’єкта оцінювання; Тип вулиці; Вулиця; Зона населеного
пункту; Вид об’єкта нерухомості; Тип будинку; Клас будинку; Група капітальності; Рік введення
в експлуатацію; Загальна площа, кв. м; Площа житлових приміщень, кв. м; Площа допоміж-
них/підсобних приміщень, кв. м; Поверх у будівлі (для квартири)/Поверховість будівлі; Інженерне
обладнання; Фізичний стан; Наявність вбудованого паркінгу.
Оскільки робота присвячена оцінці вартості житла в Києві, то дані відфільтровані за регіоном
об’єкта. Також до уваги були взяті тільки звіти зі статусом «Перевірено». Результуючою змінною
буде Оціночна вартість об’єкта оцінки.
Програмна реалізація моделі була виконана на мові програмування Python з використанням
бібліотеки sklearn (безкоштовна програмна бібліотека машинного навчання для мови програмуван-
ня Python, яка надає функціональність для створення та тренування різноманітних алгоритмів кла-
сифікації, регресії та кластеризації, таких як: лінійна регресія, random forest, градієнтний бустинг).
Для визначення лінгвістичних змінних використано клас Antecedent, для визначення логічного
висновку – клас Consequent. Для визначення терм-множини та функцій належності використано
функцію trapmf для побудови функції трапеції. Для побудови правил використано клас Rule. Для
побудови логічного виводу використано клас ControlSystem.
Реалізована система містить наступні параметри: S – площа житла; Z – зона населеного пункту;
Y – рік здачі в експлуатацію; T – вид житла; P– вартість житла.
Створено 50 нечітких правил у термінах змінних виду:
П1: якщо S дуже мала, T гуртожиток, то P дуже низька;
П2: якщо S дуже мала, T гуртожиток, Z периферійна або серединна, то P дуже низька;
П3: якщо Y дуже старий будинок, S мала, то P низька;
П4: якщо Z центральна, S мала або середня, P середня;
Інші правила описують рік здачі в експлуатацію, вид житла, вартість житла тощо.
Побудовані функції належності µ(x) терм-множин вхідних та вихідних змінних (рис. 2 – 5).
µ(S): S – площа житла, кв. м, 10, 400 .S
Терм-множина: {дуже мала, мала, середня, велика, дуже велика}.
РИС. 2. Функція належності площі до терм-множин
µ(Z): Z – зона населеного пункту, 0, 5 .Z
Терм-множина: {поза містом (1), приміська (2), периферійна (3), серединна (4), центральна (5)}.
В.В. ТРЕТИНИК, А.Т. ВОЗНЯК, В.М. ДОМРАЧЕВ
70 ISSN 2707-4501. Кібернетика та комп'ютерні технології. 2021, № 1
РИС. 3. Функція належності зони населеного пункту до терм-множин
µ(Y): Y – рік здачі в експлуатацію, 1865, 2020 .Y
Терм-множина: {дуже старий будинок, старий будинок, нормальний будинок, новий будинок,
дуже новий будинок}.
РИС. 4. Функція належності року здачі в експлуатацію до терм-множин
µ(T): T – вид житла, 0,5 .T
Терм-множина: {гуртожиток (1), дачний будинок (2), квартира в малоповерховому будинку
(3), квартира в багатоповерховому будинку (4), індивідуальний будинок (5)}.
РИС. 5. Функція належності виду житла до терм-множин
ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ОЦІНКИ ВАРТОСТІ ЖИТЛА
ISSN 2707-4501. Cybernetics and Computer Technologies. 2021, No.1 71
µ(P): P – вартість житла. Одиниця виміру – тисячі гривень, P 100, 10000 .
Терм-множина: {дуже низька, низька, середня, висока, дуже висока, надзвичайно висока}.
РИС. 6. Функція належності вартості житла до терм-множин
Програмна реалізація моделі на мові програмування Python розраховує коефіцієнти
1α моделі,
згідно алгоритму Мамдані, оцінює похибку моделі та дозволяє робити прогноз вартості житла
на основі введених характеристик.
Середня відносна похибка розробленої моделі становить 4.22 %. На рис. 7 показано відносні
похибки моделі для всіх записів тестової вибірки. Більшість похибок знаходяться в діапазоні
від 0 до 50 %. Незначна кількість похибок перевищує 75 %.
РИС. 7. Похибки апроксимації моделі, %
В.В. ТРЕТИНИК, А.Т. ВОЗНЯК, В.М. ДОМРАЧЕВ
72 ISSN 2707-4501. Кібернетика та комп'ютерні технології. 2021, № 1
Висновок. У роботі побудована нечітка модель оцінки вартості житла у місті Києві, розробле-
на програма на мові Python, яка дозволяє прогнозувати вартість житла базуючись на основі аналізу
бази даних попередніх продажів.
Список літератури
1. Горбаченко В.И., Ахметов Б.С., Кузнецова О.Ю. Интеллектуальные системы: нечеткие системы и сети: учеб-
ное пособие для вузов. 2-е изд. М.: Юрайт, 2019. 105 с.
2. Снитюк В.Е., Мирошник О.Н. Моделирование и прогнозирование процессов на рынке недвижимости. Черкас-
сы. 2014. 332 с.
3. Васильєва Г.Ю., Лютіков А.А., Маляр В.А. Методи і моделі оцінювання нерухомого майна. Містобудування
та територіальне планування: наук.-техн. зб. Київ. нац. ун-т буд-ва і архіт.; відп. ред. М.М. Осєтрін. Київ:
КНУБА, 2017. Вип. 63. С. 52–55.
4. Сихимбаев М.Р., Кумисбекова Ж.А. Математические методы оценки стоимости недвижимого имущества.
Международный журнал прикладных и фундаментальных исследований. 2015. 6-1. С. 119–123.
5. Глухов Ю., Яцура А. Методика оцінки впливу якісних характеристик нерухомого майна на його вартість.
Галицький економічний вісник. 2015. 2 (49). С. 160–169.
6. Renigier-Biłozor M., Janowski A., d’Amato M. Automated valuation model based on fuzzy and rough set theory for
real estate market with insufficient source data. Land Use Policy. 2019. 87. P. 147–154.
https://doi.org/10.1016/j.landusepol.2019.104021
7. Yalpir S., Ozkan G. Knowledge-based FIS and ANFIS models development and comparison for residential real estate
valuation. International Journal of Strategic Property Management. 2018. 22. P. 110–118.
https://doi.org/10.3846/ijspm.2018.442
8. Єдина база даних звітів про оцінку. http://www.spfu.gov.ua/ua/content/spf-estimate-basereport.html (звернення:
02.02.2021)
Одержано 02.02.2021
Третиник Віолета Вікентіївна,
кандидат фізико-математичних наук, доцент кафедри прикладної математики
НТУ України «КПІ ім. Ігоря Сікорського»,
https://orcid.org/0000-0002-3538-8207
viola.tret@gmail.com
Возняк Анастасія Тарасівна,
магістрант кафедри прикладної математики НТУ України «КПІ ім. Ігоря Сікорського»,
Домрачев Володимир Миколайович,
кандидат фізико-математичних наук, доцент кафедри прикладних інформаційних систем
Київського національного університету імені Тараса Шевченка.
https://orcid.org/0000-0002-0624-460X
mipt@ukr.net
UDC 519.67
V. Tretynyk 1 *, А. Voznyak 1, V. Domrachev 2
Using Machine Learning Methods to Estimate the Cost of Housing
1 The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2 Taras Shevchenko National University of Kyiv
* Correspondence: viola.tret@gmail.com
Introduction. Nowadays, the state has enshrined at the legislative level the definition of appraised value
for tax purposes in sales of real estate as mandatory. The comparative approach most often used by appraisers
has disadvantages such as the inability to find analogues in some cases and the need to make corrections, which
https://www.sciencedirect.com/science/article/abs/pii/S0264837719302182#!
https://www.sciencedirect.com/science/article/abs/pii/S0264837719302182#!
https://www.sciencedirect.com/science/article/abs/pii/S0264837719302182#!
https://doi.org/10.1016/j.landusepol.2019.104021
https://doi.org/10.3846/ijspm.2018.442
http://www.spfu.gov.ua/ua/content/spf-estimate-basereport.html
https://orcid.org/0000-0002-3538-8207
mailto:viola.tret@gmail.com
https://orcid.org/0000-0002-0624-460X
mailto:mipt@ukr.net
mailto:viola.tret@gmail.com
ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ОЦІНКИ ВАРТОСТІ ЖИТЛА
ISSN 2707-4501. Cybernetics and Computer Technologies. 2021, No.1 73
affects the reliability of the results. The module of electronic determination of appraisal value (Module) similar
to the object of property appraisal of the Unified database of appraisal reports works on the same approach and
quite often overestimates appraisal value that leads to increase in the size of the tax during sales as the real
estate cannot be sold for the price less than the estimated cost.
Today to determine the price of an automated system correctly, it is necessary to fill the Unified Valuation
Database in the State Property Fund with large knowledge bases - a huge IT system. So far, the thoughtless
machine still determines the price by the average value. Currently there are often situations when the appraised
value of real estate, determined by the Module, exceeds its real market value. Given that the approach used by
the Valuation Module does not always give the correct result, there is a need to find a better method to deter-
mine the value of housing that could be used by the Module.
The purpose of the paper. In this paper, an approach based on fuzzy logic was used to estimate the cost
of housing in Kyiv. Fuzzy methods allow to apply a linguistic description of complex processes, to establish
fuzzy relationships between concepts, to predict the behavior of the system, to create a set of alternative ac-
tions, to formally describe fuzzy decision-making rules.
Results. The software implementation of the model in Python programming language was performed.
Data for modeling were taken for the period July – October 2020 from a single database of property valuation
reports. The sample contained 2133 records, it was filtered, divided into training and testing in the proportion
of 85 : 15. To assess the quality of the program, the average relative error of the developed model was
calculated.
Keywords: fuzzy logic, machine learning, Python programming, linguistic variables, predictive model.
|
| id | nasplib_isofts_kiev_ua-123456789-179355 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 2707-4501 |
| language | Ukrainian |
| last_indexed | 2025-12-07T18:08:43Z |
| publishDate | 2021 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Третиник, В.В. Возняк, А.Т. Домрачев, В.М. 2021-04-29T19:31:28Z 2021-04-29T19:31:28Z 2021 Використання методів машинного навчання для оцінки вартості житла / В.В. Третиник, А.Т. Возняк, В.М. Домрачев // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 1. — С. 67-73. — Бібліогр.: 8 назв. — укр. 2707-4501 DOI: https://doi.org/10.34229/2707-451X.21.1.7 https://nasplib.isofts.kiev.ua/handle/123456789/179355 519.67 Мета роботи. Для оцінки вартості житла у місті Києві застосовано підхід, що базується на нечіткій логіці. Нечіткі методи дозволяють застосовувати лінгвістичний опис складних процесів, встановлювати нечіткі взаємозв'язки між поняттями, прогнозувати поведінку системи, створювати набір альтернативних дій, формально описувати нечіткі правила прийняття рішень. Результати. Виконана програмна реалізація моделі на мові програмування Python. Дані для моделювання взяті за період липень–жовтень 2020 року з єдиної бази звітів про оцінку майна. Вибірка містила 2133 записи, вона відфільтрована, поділена на навчальну та тестову у пропорції 85 : 15. Для оцінки якості роботи програми розраховано середню відносну похибку розробленої моделі. Цель статьи. В данной работе для оценки стоимости жилья в Киеве был применен подход, основанный на нечеткой логике. Нечеткие методы позволяют применять лингвистический описание сложных процессов, устанавливать нечеткие взаимосвязи между понятиями, прогнозировать поведение системы, создавать набор альтернативных действий, формально описывать нечеткие правила принятия решений. Результаты. Была выполнена программная реализация модели на языке программирования Python. Данные для моделирования были взяты за период июль-октябрь 2020 года с единой базы отчетов об оценке имущества. Выборка включала 2133 записи, она была отфильтрована, поделена на учебную и тестовую в пропорции 85:15. Для оценки качества работы программы было рассчитано среднюю относительную погрешность разработанной модели. The purpose of the paper. In this paper, an approach based on fuzzy logic was used to estimate the cost of housing in Kyiv. Fuzzy methods allow to apply a linguistic description of complex processes, to establish fuzzy relationships between concepts, to predict the behavior of the system, to create a set of alternative actions, to formally describe fuzzy decision-making rules. Results. The software implementation of the model in Python programming language was performed. Data for modeling were taken for the period July – October 2020 from a single database of property valuation reports. The sample contained 2133 records, it was filtered, divided into training and testing in the proportion of 85 : 15. To assess the quality of the program, the average relative error of the developed model was calculated. uk Інститут кібернетики ім. В.М. Глушкова НАН України Кібернетика та комп’ютерні технології Інформаційні технології: теорія та інструментальні засоби Використання методів машинного навчання для оцінки вартості житла Использование методов машинного обучения для оценки стоимости жилья Using machine learning methods to estimate the cost of housing Article published earlier |
| spellingShingle | Використання методів машинного навчання для оцінки вартості житла Третиник, В.В. Возняк, А.Т. Домрачев, В.М. Інформаційні технології: теорія та інструментальні засоби |
| title | Використання методів машинного навчання для оцінки вартості житла |
| title_alt | Использование методов машинного обучения для оценки стоимости жилья Using machine learning methods to estimate the cost of housing |
| title_full | Використання методів машинного навчання для оцінки вартості житла |
| title_fullStr | Використання методів машинного навчання для оцінки вартості житла |
| title_full_unstemmed | Використання методів машинного навчання для оцінки вартості житла |
| title_short | Використання методів машинного навчання для оцінки вартості житла |
| title_sort | використання методів машинного навчання для оцінки вартості житла |
| topic | Інформаційні технології: теорія та інструментальні засоби |
| topic_facet | Інформаційні технології: теорія та інструментальні засоби |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/179355 |
| work_keys_str_mv | AT tretinikvv vikoristannâmetodívmašinnogonavčannâdlâocínkivartostížitla AT voznâkat vikoristannâmetodívmašinnogonavčannâdlâocínkivartostížitla AT domračevvm vikoristannâmetodívmašinnogonavčannâdlâocínkivartostížitla AT tretinikvv ispolʹzovaniemetodovmašinnogoobučeniâdlâocenkistoimostižilʹâ AT voznâkat ispolʹzovaniemetodovmašinnogoobučeniâdlâocenkistoimostižilʹâ AT domračevvm ispolʹzovaniemetodovmašinnogoobučeniâdlâocenkistoimostižilʹâ AT tretinikvv usingmachinelearningmethodstoestimatethecostofhousing AT voznâkat usingmachinelearningmethodstoestimatethecostofhousing AT domračevvm usingmachinelearningmethodstoestimatethecostofhousing |