El presente Trabajo de Fin de Grado (TFG) se centra en el desarrollo e implementación de un modelo de predicción de ventas utilizando redes neuronales recurrentes (RNN, por sus siglas en inglés) como las redes neuronales LSTM. Dichas redes neuronales recurrentes (RNN) son una solución innovadora a la par que práctica capaz de capturar, modelar e inferir patrones temporales complejos presentes en datos como son las ventas. A diferencia de las redes neuronales tradicionales, las RNN tienen la capacidad de recordar información de estados anteriores de la secuencia de datos, lo cual es crucial para la predicción de series temporales como las ventas. Esto, hace de las redes recurrentes una tecnología idónea para la predicción de ventas. Predicción la cual es una tarea fundamental a la par que critica para las empresas, ya que permite estimar la producción, gestionar inventarios y optimizar los recursos. Por tanto, este trabajo empieza explorando los conceptos teóricos que rodean a las redes neuronales, desde sus inicios hasta el desarrollo de las redes neuronales recurrentes. Exploración en la que se van exponiendo de forma detallada esos conceptos clave para entender el funcionamiento de las redes neuronales tanto tradicionales como recurrentes. Con ello, se añade una serie de ejemplos prácticos que no solo sirven para que el autor pueda ir conociendo el funcionamiento de las herramientas y los modelos a usar, sino que también se realizan como añadido a la explicación teórica. Pudiendo de esta forma completar dichas explicaciones al experimentar con dichos modelos y observar sus comportamientos. Finalmente, como resultado de este trabajo, se usarán estos conceptos para buscar de qué forma se pueden usar redes neuronales recurrentes (en concreto redes LSTM) para desarrollar un modelo de predicción de ventas, que pueda ser usado por las empresas como herramienta de estimación de niveles de producción.
ABSTRACT
The present Final Degree Project (FDP) focuses on the development and implementation of a sales prediction model using recurrent neural networks (RNN), specifically Long Short-Term Memory networks (LSTM). These recurrent neural networks (RNN) provide an innovative and practical solution capable of capturing, modelling, and inferring complex temporal patterns found in data such as sales. Unlike traditional neural networks, RNNs could retain information from previous states in a sequence, which is crucial for predicting time-series data like sales. This makes recurrent networks an ideal technology for sales forecasting. Such forecasting is a fundamental yet critical task for businesses, as it allows them to estimate production, manage inventory, and optimize resources. Therefore, this work begins by exploring the theoretical concepts surrounding neural networks, from their origins to the development of recurrent neural networks. This exploration presents these key concepts in detail, providing a clear understanding of how both traditional and recurrent neural networks function. Alongside this, a series of practical examples are included, not only to help the author become familiar with the tools and models to be used but also to complement the theoretical explanations. In this way, the explanations are enriched by experimenting with the models and observing their behaviors. Finally, as the outcome of this project, these concepts will be applied to explore how recurrent neural networks, particularly LSTM networks, can be utilized to develop a sales prediction model. Such a model could serve as a valuable tool for businesses to estimate production levels.
El presente Trabajo de Fin de Grado (TFG) se centra en el desarrollo e implementación de un modelo de predicción de ventas utilizando redes neuronales recurrentes (RNN, por sus siglas en inglés) como las redes neuronales LSTM. Dichas redes neuronales recurrentes (RNN) son una solución innovadora a la par que práctica capaz de capturar, modelar e inferir patrones temporales complejos presentes en datos como son las ventas. A diferencia de las redes neuronales tradicionales, las RNN tienen la capacidad de recordar información de estados anteriores de la secuencia de datos, lo cual es crucial para la predicción de series temporales como las ventas. Esto, hace de las redes recurrentes una tecnología idónea para la predicción de ventas. Predicción la cual es una tarea fundamental a la par que critica para las empresas, ya que permite estimar la producción, gestionar inventarios y optimizar los recursos. Por tanto, este trabajo empieza explorando los conceptos teóricos que rodean a las redes neuronales, desde sus inicios hasta el desarrollo de las redes neuronales recurrentes. Exploración en la que se van exponiendo de forma detallada esos conceptos clave para entender el funcionamiento de las redes neuronales tanto tradicionales como recurrentes. Con ello, se añade una serie de ejemplos prácticos que no solo sirven para que el autor pueda ir conociendo el funcionamiento de las herramientas y los modelos a usar, sino que también se realizan como añadido a la explicación teórica. Pudiendo de esta forma completar dichas explicaciones al experimentar con dichos modelos y observar sus comportamientos. Finalmente, como resultado de este trabajo, se usarán estos conceptos para buscar de qué forma se pueden usar redes neuronales recurrentes (en concreto redes LSTM) para desarrollar un modelo de predicción de ventas, que pueda ser usado por las empresas como herramienta de estimación de niveles de producción.
ABSTRACT
The present Final Degree Project (FDP) focuses on the development and implementation of a sales prediction model using recurrent neural networks (RNN), specifically Long Short-Term Memory networks (LSTM). These recurrent neural networks (RNN) provide an innovative and practical solution capable of capturing, modelling, and inferring complex temporal patterns found in data such as sales. Unlike traditional neural networks, RNNs could retain information from previous states in a sequence, which is crucial for predicting time-series data like sales. This makes recurrent networks an ideal technology for sales forecasting. Such forecasting is a fundamental yet critical task for businesses, as it allows them to estimate production, manage inventory, and optimize resources. Therefore, this work begins by exploring the theoretical concepts surrounding neural networks, from their origins to the development of recurrent neural networks. This exploration presents these key concepts in detail, providing a clear understanding of how both traditional and recurrent neural networks function. Alongside this, a series of practical examples are included, not only to help the author become familiar with the tools and models to be used but also to complement the theoretical explanations. In this way, the explanations are enriched by experimenting with the models and observing their behaviors. Finally, as the outcome of this project, these concepts will be applied to explore how recurrent neural networks, particularly LSTM networks, can be utilized to develop a sales prediction model. Such a model could serve as a valuable tool for businesses to estimate production levels. Read More
Related posts:
Exploración de métodos de Deep learning para la detección de correo spam
Optimización y evaluación de Graph Neural Networks para la predicción de efectos secundarios en el conjunto de datos ogbl-ddi
Predicción avanzada de Sepsis en pacientes hospitalizados: exploración de métodos y modelos en series temporales
Transformer DPD for non-linear power amplifiers in multi carrier signals
Predicción de la demanda de movilidad espacio-temporal del transporte público mediante transformers
Estudio y prototipo exploratorio para el análisis, detección y predicción de patrones oscuros web con reconocimiento de imágenes