IoT Prism Lab
Research Lab at University of Bologna
Research Lab at University of Bologna
Theses
2019 |
Orlandini, Lucrezia Applicazione di reti neurali per l’implementazione di un modello di demand forecasting in ambito fashion Masters Thesis 2019. Abstract | Links | BibTeX | Tags: Demand Forecasting, fashion, Machine Learning, Rete neurale artificiale @mastersthesis{amslaurea19162, title = {Applicazione di reti neurali per l’implementazione di un modello di demand forecasting in ambito fashion}, author = {Lucrezia Orlandini}, url = {https://amslaurea.unibo.it/id/eprint/19162}, year = {2019}, date = {2019-01-01}, abstract = {Ognuno di noi, in modo consapevole o meno, ogni volta che acquista un prodotto, posta un contenuto sui social media, cammina, parla o addirittura dorme, contribuisce alla produzione di 2.5 quintilioni di byte di dati (valore medio giornaliero). Allo stesso tempo però, non siamo solo generatori di dati, ma anche consumatori di essi. La ricerca di pattern e regolarità, attraverso metodi automatizzati di analisi, e il conseguente utilizzo per predire dati futuri non noti, è il campo di applicazione del Machine Learning, ramo dell’intelligenza artificiale. Le tecniche di Machine Learning sono impiegate in numerosi campi, dalla medicina al mondo business. In particolare, in quest’ultimo ambito una strategia efficiente di demand forecasting rappresenta un fattore determinante per il successo di un’azienda, soprattutto in ambito fashion. All’interno dell’elaborato sono stati analizzati i dati relativi alle vendite di un’importante azienda di occhialeria di lusso che opera a livello mondiale. L’obiettivo di questa tesi è l’implementazione, per tale azienda, di un modello di previsione della domanda all’interno del mercato italiano. Il ciclo di vita del progetto è stato articolato in diverse fasi: individuazione del caso d’uso, preparazione e pulizia dei dati, modellazione, valutazione delle performance e sviluppo. La soluzione progettata consiste in un modello di rete neurale artificiale (ANN) che, basandosi sullo storico delle vendite degli anni 2017/2018 e sulle caratteristiche tecniche dei modelli di occhiali, fornisce una previsione della quantità ordinata di un articolo noto o inedito. Sono state testate diverse configurazioni di reti neurali artificiali a profondità, e quindi complessità, crescente e per ogni modello si è poi proceduto all’ottimizzazione degli iperparametri, ovvero alla ricerca dei valori per cui vengono fornite previsioni più accurate.}, keywords = {Demand Forecasting, fashion, Machine Learning, Rete neurale artificiale}, pubstate = {published}, tppubtype = {mastersthesis} } Ognuno di noi, in modo consapevole o meno, ogni volta che acquista un prodotto, posta un contenuto sui social media, cammina, parla o addirittura dorme, contribuisce alla produzione di 2.5 quintilioni di byte di dati (valore medio giornaliero). Allo stesso tempo però, non siamo solo generatori di dati, ma anche consumatori di essi. La ricerca di pattern e regolarità, attraverso metodi automatizzati di analisi, e il conseguente utilizzo per predire dati futuri non noti, è il campo di applicazione del Machine Learning, ramo dell’intelligenza artificiale. Le tecniche di Machine Learning sono impiegate in numerosi campi, dalla medicina al mondo business. In particolare, in quest’ultimo ambito una strategia efficiente di demand forecasting rappresenta un fattore determinante per il successo di un’azienda, soprattutto in ambito fashion. All’interno dell’elaborato sono stati analizzati i dati relativi alle vendite di un’importante azienda di occhialeria di lusso che opera a livello mondiale. L’obiettivo di questa tesi è l’implementazione, per tale azienda, di un modello di previsione della domanda all’interno del mercato italiano. Il ciclo di vita del progetto è stato articolato in diverse fasi: individuazione del caso d’uso, preparazione e pulizia dei dati, modellazione, valutazione delle performance e sviluppo. La soluzione progettata consiste in un modello di rete neurale artificiale (ANN) che, basandosi sullo storico delle vendite degli anni 2017/2018 e sulle caratteristiche tecniche dei modelli di occhiali, fornisce una previsione della quantità ordinata di un articolo noto o inedito. Sono state testate diverse configurazioni di reti neurali artificiali a profondità, e quindi complessità, crescente e per ogni modello si è poi proceduto all’ottimizzazione degli iperparametri, ovvero alla ricerca dei valori per cui vengono fornite previsioni più accurate. |
Crudelini, Miriam Demand Forecasting mediante algoritmi di boosting: una valutazione sperimentale Masters Thesis 2019. Abstract | Links | BibTeX | Tags: big data, Boosting, Demand Forecasting, ensemble learning, Machine Learning @mastersthesis{amslaurea19136, title = {Demand Forecasting mediante algoritmi di boosting: una valutazione sperimentale}, author = {Miriam Crudelini}, url = {https://amslaurea.unibo.it/id/eprint/19136}, year = {2019}, date = {2019-01-01}, 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.}, keywords = {big data, Boosting, Demand Forecasting, ensemble learning, Machine Learning}, pubstate = {published}, tppubtype = {mastersthesis} } 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. |