Category Archives: Noticias

Introducción a los modelos de previsión de ventas con python y tensorflow

Introducción

En Jortilles Llevamos algún tiempo trabajando con modelos predictivos y librerías de Machine Learning. Concretamente con TensorFlow . Hoy queremos hacer un ejercicio de predicción de ventas. Para ello necesitaremos un poco más de potencia que en la entrada anterior. Por eso lo haremos con Python + TensoFlow.

En ésta entrada presentamos una introducción a algunos de los modelos que podemos usar para realizar previsiones de ventas. La previsión de ventas, o en general previsión de series temporales, es un campo ámpliamente estudiado en el campo de la estadística. Éste trabajo pretende ser un resumen de algunas de las técnicas más comunes que podemos usar para realizar previsiones a futuro.

Presentaremos dos modelos: ARIMA (Autoregressive integrated moving average) y un modelo basado en redes neuronales. En cada caso trabajaremos con dos sets de datos, uno real y uno prefabricado que nos servirá para evaluar la calidad del modelo.

KCM19

Un año mas Jortilles ha asistido al KCM19. ¡Y ha sido un gran evento! Cómo knowBI cuenta en su web, el evento ha sido renombrado de PCM a KCM; porque, entre otras cosas, se habla principalmente de Kettle. En eventos anteriores era así y en este todavía mas.

El evento empezó el viernes con las Deep Drive Sessions. Sesiones donde se toca a fondo un tema ( todo lo «a fondo» que permiten dos horas. ) Había que elegir entre Apache Beam y Neo4J. Yo opté por Neo4j y me quedé con las ganas de asistir a la otra. Pero no se puede estar en dos sitio a la vez… Igualmente no me arrepiento. Fue muy interesante. Aprendimos mucho sobre Neo4j y Kettle. Ya os avanzamos algo en esta introducción, pero seguro que haremos mas posts.

Gracias a Tom Geudens por su interesante y divertida charla!

Tras lo cual disfrutamos de la maravillosa vida nocturna de Amberes.

El sábado fue el día principal donde todas las charlas se estructuraron en una única secuencia. Por lo que no tuvimos que elegir.

TensorFlow.js

Tensorflow.js es una de las principales librerías para el desarrollo y entrenamiento de modelos de machine learning. Nosotros usaremos su implementación en  JavaScript.  Esto nos facilitará hacer un ejemplo sencillo y funcional. TensorFlow nos permite hacer clasificaciones: Según los datos que tengo, predigo que este cliente compara o no comprara. Pero también podemos hacer regresiones. Según los datos que tengo, predigo que este cliente debería gastarse X importe.

En este ejemplo nuestro objetivo  es construir un modelo sencillo de red neuronal para resolver un problema de clasificación binaria ( compra o no compra ) y presentar las herramientas que ofrece la librería para diseñar y probar el modelo.

En los problemas de clasificación el objetivo es que nuestro modelo sea capaz de, dada una entrada, predecir si la salida será de tipo A (Compra) o B ( No Compra). En éste caso se trata de una problema de clasificación binaria puesto que sólo hay dos clases de salida (A-Compra o B-No compra), pero puede extenderse a más de dos clases.

NEO4J

Hoy queremos hablaros de NEO4J . Neo4j es una base de datos orientada a grafos. En contraposición a las bases de datos SQL (postgreSQL, SQLServer, etc), una base de datos orientada a grafos (BDOG) representa la información como nodos de un grafo y sus relaciones con las aristas del mismo, de manera que se pueda usar teoría de grafos para recorrer la base de datos.

En una base de datos SQL estructuramos la información en tablas. Cada tabla tiene una estructura predefinida (campos, tipos, claves primarias y foraneas, etc.). En las bases de datos orientadas a grafos la información se representa mediante nodos y aristas. Hay distintas bases de datos orientadas a grafos y cada una presenta sus peculiaridades, hoy hablaremos de NEO4j.

Este tipo de bases de datos están especialmente indicadas para ayudarnos con todo lo que tenga que ver con las relaciones. Analizar redes sociales, identificar influencers, Implementar recomendadores en función de similitudes y afinidades, detectar fraudes, etc.