MODELAGEM PREDITIVA DE IMPRESSÕES COM SKLEARN E GRADIENT BOOSTING
UMA ABORDAGEM PRÁTICA
Resumo
Este estudo propõe a utilização de técnicas de Inteligência Artificial (IA), implementadas em Python com a biblioteca scikit-learn, para prever a demanda de impressões em uma Instituição Pública de Ensino Superior. Com o objetivo de facilitar processos de licitação para serviços de outsourcing de impressão, foi desenvolvido um modelo de aprendizado de máquina supervisionado baseado em Gradient Boosting, um método de ensemble. Este modelo utiliza dados históricos de impressões para estimar com precisão a quantidade de impressões a serem geradas em períodos futuros. Espera-se que essa abordagem proporcione uma base sólida para a tomada de decisões estratégicas relacionadas à gestão de recursos e contratação de serviços de impressão, otimizando a eficiência operacional e financeira da instituição.
Referências
GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, 2019.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Interferece and prediction. Springer: 2nd ed., 2001.
KE, G.; MENG, Q.; FINLEY, T.; WANG, T.; CHEN, W.; MA, W.; YE, Q.; LIU, T. "LightGBM: A Highly Efficient Gradient Boosting Decision Tree." Advances in Neural Information Processing Systems, vol. 30, 2017.
RASCHKA, S.; MIRJALILI, V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. Packt, 2019.
VANDERPLAS, J. Python Data Science Handbook: Essential Tools for Working with Data. O'Reilly Media, 2016.
ZHENG, A.; CASARI, A. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. O'Reilly Media, 2018.
Copyright (c) 2024 REVISTA DIÁLOGO E INTERAÇÃO
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
