Forecasting de demanda con RNNs/transformers para una bodega riojana
Visión general
De qué trata este proyecto.
Implementa ARIMA, LSTM y TFT para predecir demanda de vino por SKU y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Compara ARIMA vs LSTM vs Transformer en forecasting de bodega y recomienda honestamente con base en WAPE + complejidad operativa.
Earning criteria — what you'll demonstrate
- Aplicar LSTMs y Transformers temporales sobre datos de demanda reales
- Comparar baselines clásicos vs deep learning con métricas correctas
- Evaluar complejidad operativa, no solo accuracy
- Comunicar conclusiones honestas que pueden no ser las esperadas por el cliente
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Deep Learning
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosCientífico de Datos
Forecasting con comparación honesta clásico-vs-DL es uno de los proyectos más usados en entrevistas de DS en retail/CPG.
Este proyecto afina
- time-series-forecasting
- lstm
- evaluation
Ingeniero de Aprendizaje Automático
Comparar complejidad operativa además de accuracy es la habilidad que diferencia al MLE senior del junior.
Este proyecto afina
- pytorch
- transformers
- model-comparison
Científico Aplicado de IA
Comunicar conclusiones honestas que pueden no ser las esperadas es trabajo cotidiano del applied AI scientist.
Este proyecto afina
- time-series-forecasting
- model-comparison
- evaluation