Noslēguma darbu reģistrs
  
Studiju darba apraksts
Studiju veids maģistra akadēmiskās studijas
Studiju programmas nosaukums Biznesa informātika
Nosaukums Mazumtirdzniecības pārdošanas datu pirmsapstrāde un prognozēšana izmantojot dziļo mašīnmācīšanos
Nosaukums angļu valodā Retail Sales Data Preprocessing and Forecasting Using Deep Learning
Struktūrvienība 33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Darba vadītājs Ilze Birzniece
Recenzents Jānis Grabis
Anotācija 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.
Atslēgas vārdi MAZUMTIRDZNIECĪBAS PĀRDOŠANAS DATU PROGNOZĒŠANA, PIRMSAPSTRĀDE, RAKSTUPAZĪMJU INŽENIERIJAS VADLĪNIJAS, DZIĻĀ MAŠĪNMĀCĪŠANĀS
Atslēgas vārdi angļu valodā RETAIL SALES FORECASTING, PREPROCESSING, FEATURE ENGINEERING, DEEP LEARNING
Valoda eng
Gads 2024
Darba augšupielādes datums un laiks 03.01.2024 18:46:37