智能供應(yīng)鏈：預(yù)測(cè)算法理論與實(shí)戰(zhàn)

定　價(jià)：￥118.00

作　者：	莊曉天等
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

當(dāng)當(dāng)網(wǎng) (￥102.70)

ISBN：	9787121462283	出版時(shí)間：	2023-09-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)主要介紹人工智能和供應(yīng)鏈行業(yè)融合中通用化和實(shí)戰(zhàn)化的預(yù)測(cè)算法，以及這些預(yù)測(cè)算法在業(yè)界實(shí)際應(yīng)用的案例，旨在通過(guò)簡(jiǎn)單易懂的方式讓讀者了解供應(yīng)鏈相關(guān)的應(yīng)用場(chǎng)景。本書(shū)作者具有豐富的業(yè)界從業(yè)經(jīng)驗(yàn)，在供應(yīng)鏈預(yù)測(cè)算法方面擁有豐富的理論研究和項(xiàng)目經(jīng)驗(yàn)，能夠?qū)⒒A(chǔ)模型、進(jìn)階模型和行業(yè)實(shí)踐有機(jī)地融合，循序漸進(jìn)地介紹供應(yīng)鏈預(yù)測(cè)算法，使讀者在學(xué)習(xí)過(guò)程中感到輕松、有趣，并能應(yīng)用所學(xué)知識(shí)。本書(shū)涵蓋了智能供應(yīng)鏈預(yù)測(cè)領(lǐng)域的算法理論模型和行業(yè)實(shí)踐知識(shí)。本書(shū)首先從商品需求預(yù)測(cè)案例開(kāi)始介紹預(yù)測(cè)的基本流程，然后深入討論基礎(chǔ)預(yù)測(cè)模型原理和復(fù)雜預(yù)測(cè)模型的設(shè)計(jì)策略，最后通過(guò)多個(gè)不同行業(yè)的預(yù)測(cè)實(shí)踐案例來(lái)說(shuō)明算法的應(yīng)用場(chǎng)景。預(yù)測(cè)算法包括傳統(tǒng)的時(shí)間序列、統(tǒng)計(jì)學(xué)習(xí)模型和機(jī)器學(xué)習(xí)、深度學(xué)習(xí)模型，通過(guò)不同類(lèi)型算法的有效融合，為不同的應(yīng)用場(chǎng)景提供堅(jiān)實(shí)的算法基礎(chǔ)。本書(shū)適合以下三類(lèi)讀者閱讀：第一類(lèi)是供應(yīng)鏈數(shù)字化領(lǐng)域的算法工程師，想要深入了解預(yù)測(cè)算法模型的讀者。第二類(lèi)是供應(yīng)鏈管理師，有志從事該職業(yè)或希望培養(yǎng)和提升供應(yīng)鏈預(yù)測(cè)能力的讀者。第三類(lèi)是高校物流管理、管理科學(xué)等相關(guān)專(zhuān)業(yè)的學(xué)生。

作者簡(jiǎn)介

　　莊曉天，美國(guó)亞利桑那州立大學(xué)博士，北京市人工智能高級(jí)工程師，北京理工大學(xué)、上海交通大學(xué)、西安交通大學(xué)、北京交通大學(xué)、北京郵電大學(xué)、東南大學(xué)研究生校外導(dǎo)師，中國(guó)科學(xué)院大學(xué)MBA導(dǎo)師。曾在國(guó)際SCI期刊、會(huì)議發(fā)表20余篇論文，國(guó)家專(zhuān)利授權(quán)30余項(xiàng)。曾獲得中國(guó)物流與采購(gòu)聯(lián)合會(huì)科技創(chuàng)新人物獎(jiǎng)，科技進(jìn)步一、二、三等獎(jiǎng)，國(guó)家郵政局郵政行業(yè)科技英才，郵政行業(yè)科學(xué)技術(shù)一、二、三等獎(jiǎng)。多次在供應(yīng)鏈、物流、人工智能、運(yùn)籌優(yōu)化等領(lǐng)域的行業(yè)峰會(huì)發(fā)表主題演講，參與多個(gè)國(guó)家自然科學(xué)基金項(xiàng)目，省部級(jí)重點(diǎn)科技項(xiàng)目。研究成果得到CCTV2《經(jīng)濟(jì)半小時(shí)》專(zhuān)項(xiàng)報(bào)道。

圖書(shū)目錄

開(kāi)　　篇
第1章　從一個(gè)SKU的需求預(yù)測(cè)開(kāi)始
1.1　智能供應(yīng)鏈與需求預(yù)測(cè)
1.2　一個(gè)SKU的銷(xiāo)量預(yù)測(cè)
1.2.1　數(shù)據(jù)預(yù)處理
1.2.2　探索性分析與特征工程
1.2.3　預(yù)測(cè)實(shí)踐
1.2.4　總結(jié)
1.3　智能供應(yīng)鏈全景概覽
1.3.1　企業(yè)供應(yīng)鏈智能決策六階理論
1.3.2　智能供應(yīng)鏈算法全景
基礎(chǔ)模型篇
第2章　時(shí)間序列模型
2.1　指數(shù)平滑模型
2.1.1　簡(jiǎn)單移動(dòng)平均
2.1.2　加權(quán)移動(dòng)平均
2.1.3　簡(jiǎn)單指數(shù)平滑
2.1.4　指數(shù)平滑拓展模型
2.1.5　知識(shí)拓展
2.2　ARIMA
2.2.1　模型相關(guān)基礎(chǔ)概念
2.2.2　差分自回歸移動(dòng)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(jiǎn)單線性回歸模型
3.1.1　基本概念介紹
3.1.2　最優(yōu)參數(shù)求解
3.1.3　線性回歸擬合優(yōu)度
3.1.4　線性回歸基本假定
3.2　正則化相關(guān)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(wǎng)絡(luò)（ElasticNet）回歸
3.3　分位數(shù)回歸
第4章　機(jī)器學(xué)習(xí)模型
4.1　決策樹(shù)模型
4.1.1　模型介紹
4.1.2　特征選擇
4.1.3　決策樹(shù)剪枝
4.1.4　構(gòu)建決策樹(shù)
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(guān)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(jī)森林
4.5.1　模型介紹
4.5.2　模型原理
第5章　神經(jīng)網(wǎng)絡(luò)模型
5.1　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
5.1.1　感知機(jī)與S型神經(jīng)元
5.1.2　神經(jīng)網(wǎng)絡(luò)框架
5.1.3　神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本概念
5.2　深度神經(jīng)網(wǎng)絡(luò)
5.2.1　模型結(jié)構(gòu)
5.2.2　模型訓(xùn)練
5.2.3　模型優(yōu)化
5.3　循環(huán)神經(jīng)網(wǎng)絡(luò)
5.3.1　循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)
5.3.2　LSTM
5.3.3　GRU
5.4　神經(jīng)網(wǎng)絡(luò)擴(kuò)展
5.4.1　CNN
5.4.2　其他擴(kuò)展
進(jìn)階模型篇
第6章　高階統(tǒng)計(jì)模型
6.1　Theta模型
6.1.1　Theta線與Theta分解
6.1.2　分解時(shí)間序列預(yù)測(cè)方法
6.1.3　Theta模型的預(yù)測(cè)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(shí)間序列數(shù)據(jù)的Bootstrap方法
6.3.2　時(shí)間序列模型的Bagging預(yù)測(cè)方法
6.4　Prophet模型
6.4.1　趨勢(shì)項(xiàng)
6.4.2　季節(jié)項(xiàng)
6.4.3　節(jié)假日及事件項(xiàng)
6.4.4　模型訓(xùn)練
第7章　深度學(xué)習(xí)模型
7.1　CNN類(lèi)深度網(wǎng)絡(luò)
7.1.1　1D-CNN
7.1.2　WaveNet
7.2　RNN類(lèi)深度網(wǎng)絡(luò)
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(jié)構(gòu)
7.3.3　注意力機(jī)制
7.3.4　層歸一化與前饋神經(jīng)網(wǎng)絡(luò)
7.3.5　解碼器結(jié)構(gòu)
7.3.6　輸出結(jié)構(gòu)
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(jié)構(gòu)
第8章　集成模型
8.1　基礎(chǔ)策略
8.2　WEOS
8.2.1　時(shí)間序列分類(lèi)
8.2.2　確定模型池
8.2.3　滾動(dòng)回測(cè)
8.2.4　模型選擇與權(quán)重確定
8.2.5　最終預(yù)測(cè)
8.3　FFORMA模型
8.3.1　模型框架
8.3.2　算法細(xì)節(jié)
第9章　其他模型策略
9.1　間斷性需求預(yù)測(cè)
9.1.1　什么是間斷性需求
9.1.2　間斷性需求預(yù)測(cè)方法
9.2　不確定預(yù)測(cè)
9.3　遷移學(xué)習(xí)預(yù)測(cè)
行業(yè)實(shí)踐篇
第10章　制造業(yè)
10.1　備件需求預(yù)測(cè)
10.1.1　數(shù)據(jù)特征
10.1.2　預(yù)測(cè)思路
10.1.3　實(shí)踐案例
10.2　產(chǎn)品需求預(yù)測(cè)
10.2.1　數(shù)據(jù)特征
10.2.2　預(yù)測(cè)思路
10.2.3　實(shí)踐案例
10.3　預(yù)測(cè)性維護(hù)
10.3.1　數(shù)據(jù)特征
10.3.2　預(yù)測(cè)思路
第11章　電商零售
11.1　常規(guī)預(yù)測(cè)
11.1.1　數(shù)據(jù)處理
11.1.2　預(yù)測(cè)思路
11.1.3　實(shí)踐案例
11.2　促銷(xiāo)預(yù)測(cè)
11.2.1　數(shù)據(jù)特征
11.2.2　預(yù)測(cè)思路
11.2.3　實(shí)踐案例
11.3　新品預(yù)測(cè)
11.3.1　數(shù)據(jù)收集與分析
11.3.2　預(yù)測(cè)思路
第12章　線下零售
12.1　大型商超
12.1.1　行業(yè)背景
12.1.2　數(shù)據(jù)特征
12.1.3　預(yù)測(cè)思路
12.1.4　實(shí)踐案例
12.2　服裝行業(yè)
12.2.1　行業(yè)背景
12.2.2　數(shù)據(jù)特征
12.2.3　預(yù)測(cè)思路
12.3　家具行業(yè)
12.3.1　行業(yè)背景
12.3.2　數(shù)據(jù)特征
12.3.3　預(yù)測(cè)思路
第13章　物流行業(yè)
13.1　物流網(wǎng)絡(luò)
13.1.1　行業(yè)背景
13.1.2　預(yù)測(cè)思路
13.1.3　預(yù)測(cè)案例
13.2　最后一公里
13.2.1　背景
13.2.2　數(shù)據(jù)特征
13.2.3　預(yù)測(cè)模型
13.2.4　實(shí)踐案例
結(jié)語(yǔ)
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(xiě)
14.1.2　需求溝通
14.1.3　事務(wù)性工作
14.1.4　閱讀論文/代碼
14.2　從我想當(dāng)算法工程師開(kāi)始
14.2.1　我需要具備什么能力
14.2.2　進(jìn)階和突破瓶頸的思路
14.3　供應(yīng)鏈預(yù)測(cè)算法的未來(lái)