У роботі представлено проект системи, яка здійснює двосторонній процес пошуку – кандидата на вакансію та автоматизований пошук вакансій для кандидата. Для цього постійно відслідковується інформація про наявні вакансії засобами web mining. Отримана інформація про нові вакансії класифікується з точки спорідненості інформації з раніше визначеними класами вакансій, які відіграють роль навчальної вибірки. Використання алгоритмів і методів машинного навчання дозволяє підвищити ефективність процесу підбору підходящої роботи та скорочення часу пошуку кандидатів на заявлені вакансії.
Запропонований підхід збільшує вплив індивідуальних якостей шукачів роботи на процес, а отже, і на результат роботи системи пошуку вакансій використовуючи інструменти та методи штучного інтелекту. Система сьогодні спроектована для ІТ сфери, як найрозвиненішої з погляду структуризації вимог до кандидатів та з урахуванням великої кількості пропозицій на цьому ринку праці.
- L. Bing. Web Data Mining. Exploring Hyperlinks, Contents, and Usage Data, Second Edition / L. Bing // «Springer». – 2016. – 851 p.
- Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin. Learning from data / Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin // «Williams». – 2015. – 542 p.
- Vihar Kurama. Linear Algebra for Deep Learning / Vihar Kurama // Towards Data Science. – 2017. – 1–12 p.
- Divyansh Dwivedi. Machine Learning for beginners / Divyansh Dwivedi. // Towards Data Science. – 2016. – 1–7 p.
- Amid Fish. Lessons Learned Reproducing a Deep Reinforcement Learning Paper / Amid Fish // Amid Fish. Blog. – 2018. – 1–39 p.
- Drew Conway, John Myles White. Machine Learning for Hackers / Drew Conway, John Myles White. // O’Reilly. – 2014. – 746 p.