| Form of studies |
Master |
| Title of the study programm |
Business Informatics |
| Title in original language |
Mazumtirdzniecības pārdošanas datu pirmsapstrāde un prognozēšana izmantojot dziļo mašīnmācīšanos |
| Title in English |
Retail Sales Data Preprocessing and Forecasting Using Deep Learning |
| Department |
12300 Institute of Applied Computer Systems |
| Scientific advisor |
Ilze Birzniece |
| Reviewer |
Jānis Grabis |
| Abstract |
Precīza pārdošanas datu prognozēšana ir būtiska ikvienam uzņēmumam, kas cenšas konkurēt patstāvīgi mainīgajā un dinamiskajā mazumtirdzniecības tirgū. Prognozēšanas uzdevums ir sarežģīts, tāpēc ir svarīgi meklēt pieejas un paņēmienus, kas to vienkāršotu. Šis maģistra darbs koncentrējas uz mazumtirdzniecības pārdošanas prognozēšanas datu aspektiem un metožu pielietošanu dziļās mācīšanās modeļos.
Teorētiskajā daļā darba autore analizē pārdošanas datu ietekmējošos faktorus un piedāvā jēdzienu karti informācijas atspoguļošanai. Tālāk mazumtirdzniecību ietekmējošiem faktoriem tiek piemērotas rakstupazīmju inženierijas metodes, no kurām tiek izstrādātas vadlīnijas.
Validācijas posmā, tiek izmantots visizplatītākais dziļās mācīšanās modelis LSTM, kas atrasts sistemātiskā literatūras apskatā, pielietojot to datu kopas paraugam. Rezultātu novērtēšanai izmanto RMSE un MAE aprēķinu. Eksperimenta laikā tiek salīdzināts rezultāts modeļiem, kam ir piemērotas rakstupazīmju inženierijas metodes ar tādu, kam nav. Rezultātā tiek secināts, ka rakstupazīmju inženierijas uzlabo LSTM modeļa rezultātu, tomēr ne visas metodes ir lietderīgas testā izmantotajai datu kopai, tādēļ katrs mazumtirdzniecības gadījums jāvērtē atsevišķi.
Maģistra darbs sastāv no 91 lappusēm, 14 tabulām, 26 attēliem un 58 literatūras avotiem. |
| Keywords |
MAZUMTIRDZNIECĪBAS PĀRDOŠANAS DATU PROGNOZĒŠANA, PIRMSAPSTRĀDE, RAKSTUPAZĪMJU INŽENIERIJAS VADLĪNIJAS, DZIĻĀ MAŠĪNMĀCĪŠANĀS |
| Keywords in English |
RETAIL SALES FORECASTING, PREPROCESSING, FEATURE ENGINEERING, DEEP LEARNING |
| Language |
eng |
| Year |
2024 |
| Date and time of uploading |
03.01.2024 18:46:37 |
