АНАЛІЗ ТА ПЕРЕДБАЧЕННЯ ПОГОДНИХ УМОВ НА ОСНОВІ МАШИННОГО НАВЧАННЯ З ІНТЕГРАЦІЄЮ ВЕБ-ТЕХНОЛОГІЙ
DOI: 10.31673/2786-8362.2025.023547
Анотація
Стаття висвітлює
актуальність застосування методів машинного навчання для прогнозування погодних умов і аналізує
сучасні AutoML-підходи, які спрощують процес вибору моделей і налаштування гіперпараметрів.
Запропоновано інтегрований програмний засіб, що забезпечує повний цикл роботи з даними: імпорт,
базовий дослідницький аналіз і побудову прогнозів на основі фундаментальних моделей з
фіксованими гіперпараметрами. Архітектура системи охоплює клієнтський інтерфейс і сервер
прикладної логіки, реалізовані на основі стеку MERN, а також окремий модуль машинного
навчання, побудований із використанням бібліотек мови Python. Для передбачення застосовано
логістичну регресію, градієнтний бустинг і багатошаровий персептрон. Розроблене рішення може
використовуватися як інструмент швидкої перевірки гіпотез, у навчально-демонстраційних цілях та
для отримання передбачень допустимої точності на локалізованих наборах погодних даних.
Ключові слова: машинне навчання, AutoML, передбачення погодних умов, веб-застосунок,
MERN, Scikit-learn
Список використаної літератури
1. Machine Learning Methods for Weather Forecasting: A Survey / H. Zhang та ін. Atmosphere.
2025. Т. 16, № 1. С. 82. URL: https://doi.org/10.3390/atmos16010082.
2. Probabilistic weather forecasting with machine learning / I. Price та ін. Nature. 2024.
URL: https://doi.org/10.1038/s41586-024-08252-9.
3. Feurer M., Eggensperger K., Falkner S., Lindauer M., Hutter F. Auto-sklearn 2.0: Hands-free
automl via meta-learning // Journal of Machine Learning Research. – 2022. – Vol. 23, № 261. – С.
1–61.
4. Erickson N., Mueller J., Shirkov A., Zhang H., Larroy P., Li M., Smola A. Autogluon-tabular:
Robust and accurate automl for structured data // arXiv preprint arXiv:2003.06505. – 2020. – URL:
https://arxiv.org/abs/2003.06505.
5. AMLB: Frameworks. AMLB An AutoML Benchmark.
URL: https://openml.github.io/automlbenchmark/frameworks.html (дата звернення: 07.11.2025).
6. What is Exploratory Data Analysis? – GeeksforGeeks. – URL:
https://www.geeksforgeeks.org/data-analysis/what-is-exploratory-data-analysis.
7. Advanced EDA – GeeksforGeeks. – URL: https://www.geeksforgeeks.org/datascience/advanced-eda.
8. Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts,
Tools, and Techniques to Build Intelligent Systems. – 2nd ed. – Sebastopol (CA) : O’Reilly Media,
Inc., 2019. – 851 с.
9. Raschka S., Liu Y., Mirjalili V. Machine Learning with PyTorch and Scikit-Learn. –
Birmingham : Packt Publishing Ltd., 2022. – 771 с.
10. Supervised Machine Learning – GeeksforGeeks. – URL:
https://www.geeksforgeeks.org/machine-learning/supervised-machine-learning.
11. Logistic Regression in Machine Learning – GeeksforGeeks. – URL:
https://www.geeksforgeeks.org/machine-learning/understanding-logistic-regression.
12. Gradient Boosting in ML – GeeksforGeeks. – URL:
https://www.geeksforgeeks.org/machine-learning/ml-gradient-boosting.
13. Multi-layer Perceptron: a Supervised Neural Network Model using Sklearn –
GeeksforGeeks. – URL: https://www.geeksforgeeks.org/deep-learning/multi-layer-perceptron-asupervised-neural-network-model-using-sklearn.
14. Gutta S. Machine Learning Metrics in simple terms. Medium.
URL: https://medium.com/analytics-vidhya/machine-learning-metrics-in-simple-termsd58a9c85f9f6.
