Кафедра математичного моделювання та статистики

Permanent URI for this community

https://ir.kneu.edu.ua/handle/2010/43267

Browse

Browsing Кафедра математичного моделювання та статистики by Author "Ovchynnykov, Yaroslav"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Data-Driven підхід в обґрунтуванні вибору об’єктів приватного житлового інвестування
    (Київський національний економічний університет імені Вадима Гетьмана, 2024-12-20) Овчинников, Ярослав Сергійович; Ovchynnykov, Yaroslav; Катуніна, Ольга Сергіївна
    Проблема ефективного інвестування у приватний житловий сектор є актуальною, оскільки вибір об’єктів для інвестицій вимагає глибокого аналізу та урахування багатьох факторів. Застосування Data-Driven підходу та математичного моделювання може значно підвищити якість прийняття рішень, знизити ризики та забезпечити систематичність інвестиційного процесу. Метою роботи є розробка моделей машинного та глибокого навчання для аналізу та прогнозування ціни на житлові об’єкти з урахування дата орієнтованого підходу при виборі об’єктів для інвестування. Об'єктом дослідження роботи є вибір об’єктів приватного житлового інвестування. Предметом дослідження є методи машинного та глибокого навчання для прогнозування ціни об’єктів нерухомості та вибору об’єктів приватного житлового інвестування. The problem of effective investment in the private housing sector is relevant, as the selection of investment objects requires indepth analysis and consideration of many factors. The use of a Data-Driven approach and mathematical modeling can significantly improve the quality of decision-making, reduce risks, and ensure the systematic nature of the investment process. The aim of the study is to develop machine and deep learning models for analyzing and forecasting the price of residential real estate, taking into account the date-oriented approach when selecting objects for investment. The object of research is the selection of private residential investment objects. The subject of the study is machine and deep learning methods for predicting the price of real estate and selecting private residential investment objects.