Описание темы работы, актуальности, целей, задач, новизны, тем, содержащихся внутри работы.

В разделе рассматриваются основные понятия временных рядов и их применение в задаче прогнозирования стоимости. Анализируются особенности подготовки данных для построения предсказательных моделей с сохранением порядка событий во времени.

Раздел дает обзор популярных алгоритмов машинного обучения при решении задач регрессии в экономических приложениях. Особо выделяется метод XGBoost за его эффективность и адаптивность при работе со сложными данными.

Раздел посвящен техническим аспектам обработки данных для построения прогностической модели: деление выборок по времени, учет сезонности и других факторов влияния на цену.

В данном разделе проводится обучение эффективной модели регрессии XGBoost для прогнозирования стоимости изделия на основе подготовленных данных. Проводится оптимизация параметров для повышения точности.

Раздел анализирует специфические методы проверки качества моделей предсказания во временных рядах с целью получения надежной оценки производительности алгоритма.

В разделе рассматриваются методы повышения прозрачности моделей машинного обучения за счет визуализации влияния признаков на предсказания через инструментарий eli5.

В разделе описывается архитектурный дизайн приложения на Python для автоматизации процесса прогнозирования цены ювелирных изделий с использованием разработанной модели.

Раздел посвящен технической реализации компонентов приложения отвечающих за корректную загрузку информации и подготовку обучающих/тестовых выборок во временном формате.

В разделе представлена реализация модуля обучения предсказательной модели XGBoost внутри приложения с возможностью интерактивной визуализации результатов оценки работы алгоритма.

Раздел посвящен оценке качества работы разработанного приложения в условиях реальных испытаний и анализу удобства его использования конечным пользователем.

Описание результатов работы, выводов.

Список литературы.