Есть БД с данными где указана занятость объектов по дням неделям.
Требуется создать нейросеть, которая будет прогнозировать занятость этих же объектов по дням недели в будущем на основе данных за 3-4 месяца в прошлом.
Требование:
Нейросеть должна работать без облачных технологий в составе нашего ПО. Обращение с запросом на прогнозирование через REST API
Предлагайте вашу стоимость . Требуется специалист с подтвержденным опытом.
Кристина
Нейросеть может быть использована для прогнозирования на основе исторических данных. Одним из примеров такой нейросети является LSTM (Long Short-Term Memory), которая способна обрабатывать последовательности данных и запоминать информацию на протяжении длительного периода времени. LSTM может быть обучена на исторических данных, чтобы предсказывать будущие значения. Например, если у вас есть набор данных о ежедневных продажах продукта, вы можете использовать LSTM для прогнозирования будущих продаж. Процесс обучения LSTM на исторических данных включает следующие шаги: 1. Предобработка данных: данные должны быть подготовлены таким образом, чтобы они могли быть использованы для обучения LSTM. Это может включать в себя нормализацию данных, заполнение пропусков и т.д. 2. Разделение данных на обучающую и тестовую выборки: данные разделяются на две части - обучающую и тестовую. Обучающая выборка используется для обучения модели, а тестовая - для проверки ее эффективности. 3. Обучение модели: LSTM обучается на обучающей выборке, чтобы предсказывать следующее значение на основе предыдущих. 4. Проверка модели: после обучения модели она проверяется на тестовой выборке, чтобы увидеть, насколько хорошо она работает. 5. Оценка модели: модель оценивается на основе различных метрик, таких как средняя абсолютная ошибка (MAE) или среднеквадратическая ошибка (MSE). 6. Применение модели: после успешной оценки модели она может быть использована для прогнозирования будущих значений.