Project created for the subject of machine learning engineering.
├── README.md <- The top-level README for developers using this project.
├── data
│
├── models <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks <- Jupyter notebooks.
│
├── reports <- Generated analysis as HTML, PDF, LaTeX, etc.
│
├── reports <- microservice
|
├── poetry.lock <- Lockfile which allows complete environment reproduction
│
└── pyproject.toml <- file with settings and dependencies for the environment
- Install
poetry: https://python-poetry.org/docs/#installation - Create an environment with
poetry install - Run
poetry shell - To add a new package run
poetry add <package>. Don't forget to commit the lockfile. - To run unit tests for your service use
poetry run pytestor simplypytestwithinpoetry shell.
Project partially based on the cookiecutter data science project template. #cookiecutterdatascience
Timeline:
- 3.12 - etap 1
Definicja problemu biznesowego, zdefiniowane zadania/zadań modelowania i wszystkich założeń, zaproponowanie kryteriów sukcesu. Analiza danych z perspektywy realizacji tych zadań (trzeba ocenić, czy dostarczone dane są wystarczające - może czegoś brakuje, może coś trzeba poprawić, domagać się innych danych
- 14.01 - etap 2
Dwa modele: model bazowy (najprostszy możliwy dla danego zadania) i bardziej zaawansowany model docelowy, oraz raport pokazujący proces budowy modelu i porównujący wyniki Implementacja aplikacji (w formie mikroserwisu) która pozwala na serwowanie predykcji przy pomocy danego modelu i realizacje eksperymentu A/B - w ramach którego porównywane będą oba modele i zbierane dane niezbędne do późniejszej oceny ich jakości oraz materiały pokazujące, że implementacja działa
Problem zgłoszony przez klienta: „Mamy problemy z odpowiednim zapełnianiem półek magazynowych. Nigdy nie wiadomo, co tak naprawdę będzie potrzebne w najbliższym tygodniu, co powinniśmy zamówić. Może da się coś z tym zrobić?”
Analiza kontekstu:
- obecna sytuacja:
- nie wiadomo jak zapełniać półki magazynowa; sklep nie potrafi przewidzień co będzie potrzebne w najbliższym tygodniu
- co ma zostać wprowadzone?
- analiza danych oraz przewidywanie co będzie potrzebne w najbliższym tygodniu
- jakie są oczekiwania, ograniczenia, zasoby?
- oczekiwania: zapełnianie półek magazynowych dobrymi produktami;
- ograniczenia: ilość miejsca w magazynie;
- zasoby: towar dostarczony od dostawców.
Kontekst: sklep internetowy, z którego użytkownicy zamawiają produkty. Długość dostawy zależy, czy produkt znajduje się w magazynie.
Zadanie biznesowe: generowanie listy produktów na kolejny tydzień Biznesowe kryterium sukcesu: wzrost sprzedaży
Zadanie modelowania: Przygotowanie modelu rekomendacyjnego na podstawie ilości zamówień w poprzednim roku oraz tendencji klientów.
Dane do modelowania:
- zamówienia z ostatniego tygodnia (cena, kategorie produktów)
- stosunek ilości zamówień w danych okresach roku (np. miesięcznie, kwartalnie)
- aktywność użytkowników oraz produkty, które wyświetlają.
Zmianna celu: ilość sprzedanych sztuk produktu w przewidywanym tygodniu.
Przewidywanie produktów, które w danym tygodniu powinny znajdować się na półkach magazynowych.
Założenia:
- liczba miejsc w magazynie jest ograniczona - ustalamy ją jako stałą.
- produkty, które zamawiamy trafiają do nas od razu - nie musimy brać pod uwagę czasu potrzebnego na ich dotarcie do naszego magazynu
- produkty, które zamawiamy od dostawców są zawsze dostępne.
System powinien przewidywać minimum x% produktów (np. ilość produktów przewidzianych/wszystkich produktów >= x/średnia dzienna ilość zamówień)
x - wartość uzgodniona z klientem wynosząca 5%
Umiejscowiona w jupyter notebooku data_analysis.ipynb