Primerjava metode Gradient boosting in nevronskih mrež z Uberjevo arhitekturo za napovedovanje prodajeDEBELAK, JAN (Avtor) Možina, Martin (Mentor) LSTMGradient boostingnapoved prodajeUberDiplomska naloga govori o razlikah med metodo Gradient boostinga z regresijskimi drevesi (GBRT) in Uberjevimi nevronskimi mrežami pri napovedovanju prodaje. Napovedovanje prodaje je pomembno zaradi vedno večjega števila izdelkov in omejenega prostora v skladiščih. Obstaja že dolga zgodovina napovedovanja prodaje, ki se razdeli na več dob. Najnovejša med njimi je doba napovedovanja s strojnim učenjem, kamor spadata tudi obravnavani metodi diplomske naloge. Metode so bile testirane na podatkih tekmovanja iz spletne strani Kaggle, kjer je bil cilj tekmovanja napovedati prodajo za 10 različnih Wallmartovih trgovin za obdobje 28 dni.Na splošno je bil bolj uspešen model, ki je uporabljal metodo GBRT, ki se je izkazala bolje na volatilnem in stabilnem obdobju in napovedala bolje, kot Uberjeva arhitektura LSTM (ULSTM). ULSTM se je izkazala bolje v krajših časovnih obdobjih in v enem, kljub splošni prevladi metode GBRT napovedala bolje. Pri večjih naborih atributov se je metoda GBRT izkazala za veliko hitrejšo od ULSTM, prav tako je bila velika razlila pri vplivu naključnega semena na rezultate, kar se je izkazalo za večji problem pri ULSTM. Rezultati testiranja so pokazali, da obstaja veliko razlogov zakaj je Gradient boosting veliko bolj uporabljen pri napovedovanju časovnih serij, kot LSTM.20212021-09-10 18:00:06Diplomsko delo/naloga130172VisID: 31063COBISS_ID: 77313283sl