معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Forecasting package for retail using Deep Learning AI.

ویژگی	مقدار
سیستم عامل	-
نام فایل	DeepRetail-0.0.5
نام	DeepRetail
نسخه کتابخانه	0.0.5
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Yves R. Sagaert
ایمیل نویسنده	yves.r.sagaert@gmail.com
آدرس صفحه اصلی	https://github.com/yForecasting/DeepRetail
آدرس اینترنتی	https://pypi.org/project/DeepRetail/
مجوز	GNU GPLv3

# DeepRetail <img src="https://img.shields.io/badge/Maintained%20by-Vives%20AI%20Lab-red"> [![Downloads](https://static.pepy.tech/personalized-badge/DeepRetail?period=total&units=international_system&left_color=grey&right_color=blue&left_text=downloads)](https://pepy.tech/project/DeepRetail) <img src="https://img.shields.io/badge/python-v3.7%2B-blue"> <img src="https://img.shields.io/badge/pypi-v0.0.5-blue"> Python package on deep learning AI and machine learning for Retail This package is developed by the AI team at [VIVES University of Applied Sciences](https://www.vives.be/en/research/centre-expertise-business-management) and is used in our research on [demand forecasting](https://yvesrsagaert.wordpress.com/). ___ ## Getting started ### Installation 1. Install python3.7+ 2. Create a virtual env where you want to install: ``` $> python3 -m venv retailanalytics ``` 3. Activate the environment ``` $> source retailanalytics/bin/activate ``` 4. Install the package with pip ``` $> pip install DeepRetail ``` ### Use hierarchical modelling ```python import pandas as pd from DeepRetail.transformations.formats import transaction_df from DeepRetail.forecasting.statistical import StatisticalForecaster # Load df = pd.read_csv('daily_data.csv', index_col=0) # Get a sample sampled_df = df.sample(20) # Convert to transaction t_df = transaction_df(sampled_df) # Define the parameters freq = 'M' h = 4 holdout = True cv = 2 models = ['ETS', 'Naive'] # Convert columns to datetime sampled_df.columns = pd.to_datetime(sampled_df.columns) # Resample columns to montly frequency sampled_df = sampled_df.resample('M', axis=1).sum() # Define the forecaster forecaster = StatisticalForecaster(models = models, freq = freq) # Fit the forecaster forecaster.fit(sampled_df, format = 'pivoted') # Predict forecast_df = forecaster.predict(h = h, cv = cv, holdout = holdout) forecast_df.head() ``` ## Contributing Contribution is welcomed! Start by reviewing the [contribution guidelines](https://github.com/yForecasting/DeepRetail/blob/main/CONTRIBUTING.md). After that, take a look at a [good first issue](https://github.com/yForecasting/DeepRetail/issues?q=is%3Aissue+is%3Aopen+label%3A%22good+first+issue%22). ## Disclaimer `DeepRetail` is an open-source package. We do our best to make this package robust and stable, but we do not take liability for any errors or instability. ## Support The [AI team](https://yforecasting.github.io/) at VIVES University of Applied Sciences builds and maintains `DeepRetail` to make it simple and accessible. We are using this software in our research on [demand forecasting](https://yvesrsagaert.wordpress.com/). A special thanks to Ruben Vanhecke and Filotas Theodosiou for their contribution.

نیازمندی

مقدار	نام
-	pandas
-	matplotlib
-	numpy
-	statsforecast
-	numba
-	openpyxl

زبان مورد نیاز

مقدار	نام
>=3.5	Python

نحوه نصب

نصب پکیج whl DeepRetail-0.0.5:

pip install DeepRetail-0.0.5.whl

نصب پکیج tar.gz DeepRetail-0.0.5:

pip install DeepRetail-0.0.5.tar.gz