DSpace logo

Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.utmachala.edu.ec/handle/48000/19707
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorRivas Asanza, Wilmer Braulio-
dc.contributor.authorCali Nájera, Charles Jesús-
dc.date.accessioned2022-09-29T14:26:41Z-
dc.date.available2022-09-29T14:26:41Z-
dc.date.issued2022-
dc.identifier.citationCali Nájera, Charles Jesús (2022). Modelo predictivo de las ventas de productos de primera necesidad en el sector comercial basado en técnicas de Machine Learning, Universidad Técnica de Machala,es_ES
dc.identifier.otherTMFIC-2022-SOFT-DE00003-
dc.identifier.urihttp://repositorio.utmachala.edu.ec/handle/48000/19707-
dc.descriptionEl presente trabajo propone desarrollar un modelo predictivo de las ventas de productos de primera necesidad en el sector comercial basado en técnicas de machine learning, utilizando modelos de redes neuronales convolucionales, CNN. Se recolectó información de las operaciones de las ventas correspondiente a los años 2018 hasta el año 2021. El enfoque utilizado es cuanti cualitativo, mixto, con un diseño experimental. La metodología que se adaptó al estudio fue Cross - Industry Standard Process for Data Mining o CRISP – DM, que es una metodología orientada a minería de datos, que permite revisar de forma jerárquica los niveles de tareas, desde lo más general a lo más específico, en fases que van desde conocer el negocio hasta el despliegue de los resultados obtenidos. Utilizando Python con sus librerías Keras y Tensorflow, se planteó 3 modelos de CNN, cambiando los hiper parámetros ,filtros en relación a la cantidad de capas, el tamaño del kernel y el número de épocas, permitió generar 256 pruebas experimentales. El modelo A presentó el mejor rendimiento de los resultados en las métricas MSE de 0.000300 y MAE de 0.008900 con los parámetros de 64 filtros, 5 kernels y 1.000 épocas.es_ES
dc.description.abstractThe present work proposes to develop a predictive model of the sales of essential products in the commercial sector based on machine learning techniques, using convolutional neural network, CNN, models, with which predictive analysis can be achieved. Information on sales operations corresponding to the years 2018 to 2021 was collected. The approach used is quantitative-qualitative, mixed, with an experimental design. The methodology that was adapted to the study was Cross - Industry Standard Process for Data Mining or CRISP - DM, which is a methodology oriented to data mining, which allows the levels of tasks to be reviewed hierarchically, from the most general to the most specific, in phases that go from knowing the business to the deployment of the results obtained. These results evoked in 256 combinations. To measure the best predictive performance, it was considered to evaluate 3 models according to the filters in relation to the number of layers, as well as the size of the kernel, of which model A presented the best performance of the results in the MSE metrics of 0.000300 and MAE of 0.008900 with the parameters of 64 filters, 5 kernels and 1,000 epochs.es_ES
dc.format.extent89 p.es_ES
dc.language.isoeses_ES
dc.publisherMachala: Universidad Tëcnica de Machalaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectMODELO PREDICTIVOes_ES
dc.subjectMACHINE LEARNINGes_ES
dc.subjectRED NEURONAL CONVOLUCIONALes_ES
dc.subjectMETODOLOGIA CRISP-DM.es_ES
dc.titleModelo predictivo de las ventas de productos de primera necesidad en el sector comercial basado en técnicas de Machine Learninges_ES
dc.typemasterThesises_ES
dc.emailccali1@utmachala.edu.eces_ES
dc.cedula0920840063es_ES
dc.utmachbibliotecario.bibliotecarioPeralta Mercyes_ES
dc.utmachprocesopost.procesopostMS-CI-TPA-2022es_ES
Aparece en las colecciones: Maestría de Software

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TMFIC-2022-SOFT-DE00003.pdfTESIS DE MAESTRIA4,53 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons