Fabian Arteaga, Junior JhonHuisacayna Cutipa, Abigail NellyJacinto Martell, Samuel HumbertoLa Rosa Gadea, Marghore SusanaMachuca Abanto, Axl BorisTorres Yupanqui, Rocio del Pilar Lesly2024-04-082024-04-082023https://hdl.handle.net/20.500.12640/3882En la actualidad es importante que toda empresa realice pronósticos de todo tipo, que ayuden a mitigar el impacto negativo y/o aprovechar los impactos positivos que los cambios generan. El propósito del presente trabajo es identificar la técnica del aprendizaje automático que mejore el método de proyección de ventas generadas por el análisis de multirresiduos de plaguicidas en alimentos de la empresa Mérieux Nutrisciences. Se emplea la metodología Cross-Industry Standard Process for Data Mining (CRISP-DM) para determinar el modelo predictivo óptimo para la empresa. Después de adquirir y adecuar la data, se aplica y analiza en las técnicas de regresión lineal, light gradient boosting machine (LightGBM), seasonal auto regressive integrated moving average (SARIMA) y long short-term memory (LSTM). Con la ejecución de los modelos establecidos, se concluyó que el uso de modelos predictivos permite a las empresas, tomar decisiones más acertadas y mejorar su gestión, además, se visualizó que el modelo LightGBM tiene una mayor precisión que los otros modelos con un 0.0152 de mean squared error (MSE). Se recomienda realizar el modelado con un mayor número de data para generar un pronóstico más preciso, contrastar con el laboratorio y realizar estudios adicionales para ajustar hiperparámetros propios del modelo.application/pdfspainfo:eu-repo/semantics/closedAccessLogísticaAprendizaje automáticoInteligencia artificialPrediccionesIndustria alimentariaLaboratoriosinfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#5.02.04https://purl.org/pe-repo/ocde/ford#2.11.04