智能供應鏈：預測算法理論與實戰






	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	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　探索性分析與特徵工程 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　企業供應鏈智慧決策六階理論 1.3.2　智慧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　最優參數求解 3.1.3　線性回歸擬合優度R2 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　彈性網路（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　特徵選擇 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　神經網路模型 5.1　神經網路基礎 5.1.1　感知機與S型神經元 5.1.2　神經網路框架 5.1.3　神經網路訓練的基本概念 5.2　深度神經網路 5.2.1　模型結構 5.2.2　模型訓練 5.2.3　模型優化 5.3　迴圈神經網路 5.3.1　迴圈神經網路基礎知識 5.3.2　LSTM 5.3.3　GRU 5.4　神經網路擴展 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類深度網路 7.1.1　1D-CNN 7.1.2　WaveNet 7.2　RNN類深度網路 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路 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　最終預測 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　什麼是間斷性需求 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　製造業 10.1　備件需求預測 10.1.1　數據特徵 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　數據特徵 10.2.2　預測思路 10.2.3　實踐案例 10.3　預測性維護 10.3.1　數據特徵 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　數據特徵 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　數據特徵 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　數據特徵 12.2.3　預測思路 12.3　傢俱行業 12.3.1　行業背景 12.3.2　數據特徵 12.3.3　預測思路第13章　物流行業 13.1　物流網路 13.1.1　行業背景 13.1.2　預測思路 13.1.3　預測案例 13.2　最後一公里 13.2.1　背景 13.2.2　數據特徵 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　我需要具備什麼能力 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