掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
智能供應鏈:預測算法理論與實戰 版權信息
- ISBN：9787121462283
- 條形碼：9787121462283 ; 978-7-121-46228-3
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能供應鏈:預測算法理論與實戰 本書特色
本書將視角放在實戰化、通用化的供應鏈算法上面，力求通過簡單易懂的方式讓讀者入門供應鏈預測算法的實踐或工作。本書的撰寫人員均有國內外知名院校的碩博經歷，具有豐富的業界經驗，熟悉從入門到熟練的過程，在供應鏈預測算法方面有著深入的理論研究和項目經歷。 本書主要涉及智能供應鏈預測領域的算法理論模型與行業實踐知識。先從一個商品的需求預測講起，介紹預測的大體流程，再深入基礎的預測模型以及復雜的預測模型策略，詮釋預測所需的算法模型工具，*后闡述了多個不同行業的預測實踐案例，講明算法理論的應用場景。其中預測算法囊括了傳統的時間序列、統計學習模型和機器學習、深度學習模型，以及不同類型算法的有效融合，為不同的應用場景提供夯實的算法基礎。本書既講解理論知識，又介紹實踐案例，深入淺出，使每個讀者都能夠了解和應用預測算法模型。
智能供應鏈:預測算法理論與實戰 內容簡介
本書主要介紹人工智能和供應鏈行業融合中通用化和實戰化的預測算法，以及這些預測算法在業界實際應用的案例，旨在通過簡單易懂的方式讓讀者了解供應鏈相關的應用場景。本書作者具有豐富的業界從業經驗，在供應鏈預測算法方面擁有豐富的理論研究和項目經驗，能夠將基礎模型、進階模型和行業實踐有機地融合，循序漸進地介紹供應鏈預測算法，使讀者在學習過程中感到輕松、有趣，并能應用所學知識。本書涵蓋了智能供應鏈預測領域的算法理論模型和行業實踐知識。本書首先從商品需求預測案例開始介紹預測的基本流程，然后深入討論基礎預測模型原理和復雜預測模型的設計策略，*后通過多個不同行業的預測實踐案例來說明算法的應用場景。預測算法包括傳統的時間序列、統計學習模型和機器學習、深度學習模型，通過不同類型算法的有效融合，為不同的應用場景提供堅實的算法基礎。本書適合以下三類讀者閱讀：?**類是供應鏈數字化領域的算法工程師，想要深入了解預測算法模型的讀者。?第二類是供應鏈管理師，有志從事該職業或希望培養和提升供應鏈預測能力的讀者。?第三類是高校物流管理、管理科學等相關專業的學生。
智能供應鏈:預測算法理論與實戰 目錄
開 篇
第1章 從一個SKU的需求預測開始
1.1 智能供應鏈與需求預測
1.2 一個SKU的銷量預測
1.2.1 數據預處理
1.2.2 探索性分析與特征工程
1.2.3 預測實踐
1.2.4 總結
1.3 智能供應鏈全景概覽
1.3.1 企業供應鏈智能決策六階理論
1.3.2 智能供應鏈算法全景
基礎模型篇
第2章 時間序列模型
2.1 指數平滑模型
2.1.1 簡單移動平均
2.1.2 加權移動平均
2.1.3 簡單指數平滑
2.1.4 指數平滑拓展模型
2.1.5 知識拓展
2.2 ARIMA
2.2.1 模型相關基礎概念
2.2.2 差分自回歸移動平均模型
2.2.3 條件異方差模型
2.3 Croston模型及其變體
第3章 線性回歸模型
3.1 簡單線性回歸模型
3.1.1 基本概念介紹
3.1.2 *優參數求解
3.1.3 線性回歸擬合優度
3.1.4 線性回歸基本假定
3.2 正則化相關的回歸
3.2.1 正則化
3.2.2 套索（Lasso）回歸
3.2.3 嶺（Ridge）回歸
3.2.4 彈性網絡（ElasticNet）回歸
3.3 分位數回歸
第4章 機器學習模型
4.1 決策樹模型
4.1.1 模型介紹
4.1.2 特征選擇
4.1.3 決策樹剪枝
4.1.4 構建決策樹
4.2 Logistic回歸模型
4.2.1 模型介紹
4.2.2 Logistic回歸模型原理
4.3 XGBoost相關模型
4.3.1 AdaBoost模型
4.3.2 GBDT模型
4.3.3 XGBoost模型
4.4 LightGBM模型
4.4.1 模型介紹
4.4.2 模型原理
4.5 隨機森林
4.5.1 模型介紹
4.5.2 模型原理
第5章 神經網絡模型
5.1 神經網絡基礎
5.1.1 感知機與S型神經元
5.1.2 神經網絡框架
5.1.3 神經網絡訓練的基本概念
5.2 深度神經網絡
5.2.1 模型結構
5.2.2 模型訓練
5.2.3 模型優化
5.3 循環神經網絡
5.3.1 循環神經網絡基礎知識
5.3.2 LSTM
5.3.3 GRU
5.4 神經網絡擴展
5.4.1 CNN
5.4.2 其他擴展
進階模型篇
第6章 高階統計模型
6.1 Theta模型
6.1.1 Theta線與Theta分解
6.1.2 分解時間序列預測方法
6.1.3 Theta模型的預測流程
6.2 TBATS模型
6.2.1 Box-Cox變換
6.2.2 ARMA誤差建模
6.2.3 BATS模型
6.2.4 TBATS模型建模思路
6.3 Bootstrap和Bagging
6.3.1 時間序列數據的Bootstrap方法
6.3.2 時間序列模型的Bagging預測方法
6.4 Prophet模型
6.4.1 趨勢項
6.4.2 季節項
6.4.3 節假日及事件項
6.4.4 模型訓練
第7章 深度學習模型
7.1 CNN類深度網絡
7.1.1 1D-CNN
7.1.2 WaveNet
7.2 RNN類深度網絡
7.2.1 ESN
7.2.2 TPA-LSTM
7.2.3 DeepAR模型
7.2.4 LSTNet模型
7.2.5 ES-RNN模型
7.3 Transformer模型
7.3.1 位置編碼
7.3.2 編碼器結構
7.3.3 注意力機制
7.3.4 層歸一化與前饋神經網絡
7.3.5 解碼器結構
7.3.6 輸出結構
7.4 N-beats模型
7.5 Neural-Prophet模型
7.6 Informer模型
7.6.1 編碼層
7.6.2 Prob-Sparse Self-attention
7.6.3 Self-attention Distilling
7.6.4 輸出結構
第8章 集成模型
8.1 基礎策略
8.2 WEOS
8.2.1 時間序列分類
8.2.2 確定模型池
8.2.3 滾動回測
8.2.4 模型選擇與權重確定
8.2.5 *終預測
8.3 FFORMA模型
8.3.1 模型框架
8.3.2 算法細節
第9章 其他模型策略
9.1 間斷性需求預測
9.1.1 什么是間斷性需求
9.1.2 間斷性需求預測方法
9.2 不確定預測
9.3 遷移學習預測
行業實踐篇
第10章 制造業
10.1 備件需求預測
10.1.1 數據特征
10.1.2 預測思路
10.1.3 實踐案例
10.2 產品需求預測
10.2.1 數據特征
10.2.2 預測思路
10.2.3 實踐案例
10.3 預測性維護
10.3.1 數據特征
10.3.2 預測思路
第11章 電商零售
11.1 常規預測
11.1.1 數據處理
11.1.2 預測思路
11.1.3 實踐案例
11.2 促銷預測
11.2.1 數據特征
11.2.2 預測思路
11.2.3 實踐案例
11.3 新品預測
11.3.1 數據收集與分析
11.3.2 預測思路
第12章 線下零售
12.1 大型商超
12.1.1 行業背景
12.1.2 數據特征
12.1.3 預測思路
12.1.4 實踐案例
12.2 服裝行業
12.2.1 行業背景
12.2.2 數據特征
12.2.3 預測思路
12.3 家具行業
12.3.1 行業背景
12.3.2 數據特征
12.3.3 預測思路
第13章 物流行業
13.1 物流網絡
13.1.1 行業背景
13.1.2 預測思路
13.1.3 預測案例
13.2 *后一公里
13.2.1 背景
13.2.2 數據特征
13.2.3 預測模型
13.2.4 實踐案例
結語
第14章 算法工程師的日常
14.1 算法工程師的一天
14.1.1 代碼編寫
14.1.2 需求溝通
14.1.3 事務性工作
14.1.4 閱讀論文/代碼
14.2 從我想當算法工程師開始
14.2.1 我需要具備什么能力
14.2.2 進階和突破瓶頸的思路
14.3 供應鏈預測算法的未來
第1章 從一個SKU的需求預測開始
1.1 智能供應鏈與需求預測
1.2 一個SKU的銷量預測
1.2.1 數據預處理
1.2.2 探索性分析與特征工程
1.2.3 預測實踐
1.2.4 總結
1.3 智能供應鏈全景概覽
1.3.1 企業供應鏈智能決策六階理論
1.3.2 智能供應鏈算法全景
基礎模型篇
第2章 時間序列模型
2.1 指數平滑模型
2.1.1 簡單移動平均
2.1.2 加權移動平均
2.1.3 簡單指數平滑
2.1.4 指數平滑拓展模型
2.1.5 知識拓展
2.2 ARIMA
2.2.1 模型相關基礎概念
2.2.2 差分自回歸移動平均模型
2.2.3 條件異方差模型
2.3 Croston模型及其變體
第3章 線性回歸模型
3.1 簡單線性回歸模型
3.1.1 基本概念介紹
3.1.2 *優參數求解
3.1.3 線性回歸擬合優度
3.1.4 線性回歸基本假定
3.2 正則化相關的回歸
3.2.1 正則化
3.2.2 套索（Lasso）回歸
3.2.3 嶺（Ridge）回歸
3.2.4 彈性網絡（ElasticNet）回歸
3.3 分位數回歸
第4章 機器學習模型
4.1 決策樹模型
4.1.1 模型介紹
4.1.2 特征選擇
4.1.3 決策樹剪枝
4.1.4 構建決策樹
4.2 Logistic回歸模型
4.2.1 模型介紹
4.2.2 Logistic回歸模型原理
4.3 XGBoost相關模型
4.3.1 AdaBoost模型
4.3.2 GBDT模型
4.3.3 XGBoost模型
4.4 LightGBM模型
4.4.1 模型介紹
4.4.2 模型原理
4.5 隨機森林
4.5.1 模型介紹
4.5.2 模型原理
第5章 神經網絡模型
5.1 神經網絡基礎
5.1.1 感知機與S型神經元
5.1.2 神經網絡框架
5.1.3 神經網絡訓練的基本概念
5.2 深度神經網絡
5.2.1 模型結構
5.2.2 模型訓練
5.2.3 模型優化
5.3 循環神經網絡
5.3.1 循環神經網絡基礎知識
5.3.2 LSTM
5.3.3 GRU
5.4 神經網絡擴展
5.4.1 CNN
5.4.2 其他擴展
進階模型篇
第6章 高階統計模型
6.1 Theta模型
6.1.1 Theta線與Theta分解
6.1.2 分解時間序列預測方法
6.1.3 Theta模型的預測流程
6.2 TBATS模型
6.2.1 Box-Cox變換
6.2.2 ARMA誤差建模
6.2.3 BATS模型
6.2.4 TBATS模型建模思路
6.3 Bootstrap和Bagging
6.3.1 時間序列數據的Bootstrap方法
6.3.2 時間序列模型的Bagging預測方法
6.4 Prophet模型
6.4.1 趨勢項
6.4.2 季節項
6.4.3 節假日及事件項
6.4.4 模型訓練
第7章 深度學習模型
7.1 CNN類深度網絡
7.1.1 1D-CNN
7.1.2 WaveNet
7.2 RNN類深度網絡
7.2.1 ESN
7.2.2 TPA-LSTM
7.2.3 DeepAR模型
7.2.4 LSTNet模型
7.2.5 ES-RNN模型
7.3 Transformer模型
7.3.1 位置編碼
7.3.2 編碼器結構
7.3.3 注意力機制
7.3.4 層歸一化與前饋神經網絡
7.3.5 解碼器結構
7.3.6 輸出結構
7.4 N-beats模型
7.5 Neural-Prophet模型
7.6 Informer模型
7.6.1 編碼層
7.6.2 Prob-Sparse Self-attention
7.6.3 Self-attention Distilling
7.6.4 輸出結構
第8章 集成模型
8.1 基礎策略
8.2 WEOS
8.2.1 時間序列分類
8.2.2 確定模型池
8.2.3 滾動回測
8.2.4 模型選擇與權重確定
8.2.5 *終預測
8.3 FFORMA模型
8.3.1 模型框架
8.3.2 算法細節
第9章 其他模型策略
9.1 間斷性需求預測
9.1.1 什么是間斷性需求
9.1.2 間斷性需求預測方法
9.2 不確定預測
9.3 遷移學習預測
行業實踐篇
第10章 制造業
10.1 備件需求預測
10.1.1 數據特征
10.1.2 預測思路
10.1.3 實踐案例
10.2 產品需求預測
10.2.1 數據特征
10.2.2 預測思路
10.2.3 實踐案例
10.3 預測性維護
10.3.1 數據特征
10.3.2 預測思路
第11章 電商零售
11.1 常規預測
11.1.1 數據處理
11.1.2 預測思路
11.1.3 實踐案例
11.2 促銷預測
11.2.1 數據特征
11.2.2 預測思路
11.2.3 實踐案例
11.3 新品預測
11.3.1 數據收集與分析
11.3.2 預測思路
第12章 線下零售
12.1 大型商超
12.1.1 行業背景
12.1.2 數據特征
12.1.3 預測思路
12.1.4 實踐案例
12.2 服裝行業
12.2.1 行業背景
12.2.2 數據特征
12.2.3 預測思路
12.3 家具行業
12.3.1 行業背景
12.3.2 數據特征
12.3.3 預測思路
第13章 物流行業
13.1 物流網絡
13.1.1 行業背景
13.1.2 預測思路
13.1.3 預測案例
13.2 *后一公里
13.2.1 背景
13.2.2 數據特征
13.2.3 預測模型
13.2.4 實踐案例
結語
第14章 算法工程師的日常
14.1 算法工程師的一天
14.1.1 代碼編寫
14.1.2 需求溝通
14.1.3 事務性工作
14.1.4 閱讀論文/代碼
14.2 從我想當算法工程師開始
14.2.1 我需要具備什么能力
14.2.2 進階和突破瓶頸的思路
14.3 供應鏈預測算法的未來
展開全部
智能供應鏈:預測算法理論與實戰 作者簡介
莊曉天，美國亞利桑那州立大學博士，北京市人工智能高級工程師，北京理工大學、上海交通大學、西安交通大學、北京交通大學、北京郵電大學、東南大學研究生校外導師，中國科學院大學MBA導師。曾在國際SCI期刊、會議發表20余篇論文 ，國家專利授權30余項。 曾獲得中國物流與采購聯合會科技創新人物獎，科技進步一、二、三等獎，國家郵政局郵政行業科技英才，郵政行業科學技術一、二、三等獎。多次在供應鏈、物流、人工智能、運籌優化等領域的行業峰會發表主題演講，參與多個國家自然科學基金項目，省部級重點科技項目。研究成果得到CCTV2《經濟半小時》專項報道。
書友推薦
- >
山海經
- >
【精裝繪本】畫給孩子的中國神話
- >
推拿
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
巴金－再思錄
- >
姑媽的寶刀
- >
龍榆生：詞曲概論/大家小書
- >
經典常談
本類暢銷
