Demand Forecasting mediante algoritmi di boosting: una valutazione sperimentale

Crudelini, Miriam (2019) Demand Forecasting mediante algoritmi di boosting: una valutazione sperimentale. [Laurea], Università di Bologna, Corso di Studio in Informatica per il management [L-DM270]
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (755kB)

Abstract

Nell'epoca in cui viviamo, grazie ai dispositivi a nostra disposizione, ognuno di noi è produttore di una grande mole di dati, all'interno dei quali sono racchiuse importanti informazioni. Il processo di analisi ed estrazione della conoscenza permette di ottenere importanti informazioni. Un'utilizzo di tali informazioni si ha nel demand forecasting, ossia il processo di previsione della domanda. In questa tesi verranno analizzate alcune metodologie per effettuare previsioni sulla domanda di un prodotto, concentrandosi su una tipologia di algoritmi spesso utilizzati in questo ambito. Sono stati proposti e valutati tre algoritmi di machine learning basati sul boosting. Per migliorare le prestazioni è stata implementata un fase iniziale di ottimizzazione dei modelli. Infine, i modelli costruiti sono stati testati ed è stata effettuata un'analisi delle relative prestazioni.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Crudelini, Miriam
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Boosting,Machine Learning,Demand Forecasting,Big Data,Ensemble Learning
Data di discussione della Tesi
15 Ottobre 2019
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^