Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/10495/24626
Título : | Predicción de ventas futuras |
Autor : | Romero Miranda, Jimmy Alexander Lizcano Portilla, Víctor Alberto |
metadata.dc.contributor.advisor: | Rodríguez colina, Sebastián |
metadata.dc.subject.*: | Series temporales Time series Predicciones Redes neurales (computadores) Neural networks (Computer science) Aprendizaje automático (inteligencia artificial) Machine learning Técnicas de predicción Forecasting http://aims.fao.org/aos/agrovoc/c_3041 http://vocabularies.unesco.org/thesaurus/concept11036 |
Fecha de publicación : | 2021 |
Resumen : | RESUMEN : La finalidad del proyecto es predecir las ventas para el mes siguiente para una cadena de tiendas, haciendo uso de algoritmos de inteligencia artificial. El dataset cuenta con 4 archivos (productos, categoría de los productos, tiendas y ventas diarias) tomados de la competencia de kaggle “Predict Future Sales” que proporcionan información detallada de las ventas históricas para 22.171 productos en 34 meses, a partir del mes de enero de 2013. Se probaron diferentes metodologías para organizar la información para la generación de los modelos. Los datos se reprocesaron para tener la información organizada por ventas mensuales para cada tienda y categoría de producto y posteriormente fueron separados de acuerdo a un lookback para generar las series de tiempo para entrenar los modelos. Se probaron diferentes modelos y se utilizó una métrica particular de negocio para medir el error de las predicciones. |
metadata.dc.relatedidentifier.url: | https://github.com/Alberto7526/MonografiaGithub |
Aparece en las colecciones: | Especializaciones de la Facultad de Ingeniería |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
RomeroJimmy&LizcanoVictor_2021_PrediccionVentasFuturas.pdf | Trabajo de grado de especialización | 1.44 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons