Kategorien durchsuchen
Entdecken
Fiverr Pro
Deutsch
$
USD
Ich erstelle eine lokale ML E-Commerce-Prognose-App in Streamlit SQL
Data Science und KI-Berater
Hallo, ich bin SOHEL RANA, ein engagierter Data Driven AI Service, der darauf fokussiert ist, Unternehmen beim Wachstum zu unterstützen. Mit über 4 Jahren praktischer Erfahrung spezialisiere ich mich ...
Über diesen Service
Hör auf, wiederkehrende monatliche SaaS-Cloud-Gebühren zu zahlen. Halte deine Unternehmensdaten zu 100 % privat und DSGVO-konform mit einer maßgeschneiderten, lokal-first Python KI-Lösung.
Ich entwickle eigenständige, offline Machine Learning (ML) und Deep Learning (DL) Prognose-Web-Apps, die speziell für Amazon, Shopify und Einzelhandelsmarken angepasst sind.
Lieferworkflow:
Du erhältst einen Offline-Arbeitsbereich. Entpacke ihn, öffne dein Terminal, tippe python run.py und das Dashboard startet automatisch in deinem lokalen Browserfenster.
Zentrale technische Funktionen:
- Duale Integration: Verbindung über CSV/Excel-Tabellen ODER direkte Abfrage aus live lokalen Datenbanken (MySQL, PostgreSQL, SQLite).
- Predictive AI: Hochpräzise Zeitreihenprognosen (XGBoost, Prophet oder LSTM), um saisonale Nachfrage und Nachbestellpunkte abzubilden.
- Interaktive UI: Dynamische Diagramme, Nachbestellmatrizen und Download-Zusammenfassungen.
Übersicht der Stufen:
- Basic: Datenbuchhaltung und Vorverarbeitung mit Python-Skript.
- Standard: Kern-ML-Engine + Streamlit-Uploader-App für Excel/CSV-Dateien.
- Premium: Erweiterte prognostische ML-Engine + direkte SQL-Live-Datenbankintegration.
Bitte schreibe mir vor der Bestellung, um dein Dataset-Schema zu prüfen!
Programmiersprache:
Python
•
SQL
•
Colab
Frameworks:
scikit-learn
•
Panda
Tools:
Jupyter-Notizbuch
•
tensorflow
•
Excel
•
Colab
Meine weiteren Dienstleistungen im Bereich Datenwissenschaft & ML
FAQ
Automatische Übersetzung
Wie verbindet sich die App mit meiner Datenbank?
Ich konfiguriere sichere Python SQL-Connectoren (wie SQLAlchemy oder psycopg2), um deine Transaktionstabellen sicher in die Streamlit-UI zu streamen.
Verlangsamt das meinen SQL-Server?
Nein. Ich setze Streamlit @st.cache_data Funktionen ein, um Abfrageergebnisse zwischenzuspeichern, damit der Server nicht ständig belastet wird und die App blitzschnell bleibt.
Welche Datenbank-Engines werden unterstützt?
Jede Datenbank mit einem Python-Treiber, inklusive PostgreSQL, MySQL, SQLite, Snowflake und BigQuery.
Wie werden Datenlücken oder fehlende Werte behandelt?
Der automatisierte Pipeline umfasst SQL/Pandas-Datenbereinigungsskripte, die fehlende Transaktionstage automatisch mit Forward-Fill oder Zero-Fill auffüllen.
Welche Prognosealgorithmen setzt du ein?
Ich verwende hauptsächlich Prophet für saisonlastiges Einzelhandels-Tracking, zusammen mit scikit-learn Modellen für lineare Baseline-Prognosen.
Kann die App Feiertage und Black Friday-Spitzen abbilden?
Ja. Ich füge benutzerdefinierte historische Feiertagsevents via SQL in das Modell ein, um eine genaue Verfolgung der jährlichen E-Commerce-Spitzen zu gewährleisten.
Kann ich die Daten aus der App exportieren?
Ja. Nutzer können jede generierte Prognosetabelle sofort als CSV- oder Excel-Datei herunterladen, dank integrierter Streamlit-Buttons.
Ist "What-If"-Szenariotests enthalten?
Ja. Ich baue interaktive Sidebar-Schieberegler, mit denen du Umsatzänderungen simulieren kannst, indem du Preise oder Werbeausgaben anpasst.
