智能供應(yīng)鏈：預測算法理論與實戰(zhàn)

開　　篇
第1章　從一個SKU的需求預測開始
1.1　智能供應(yīng)鏈與需求預測
1.2　一個SKU的銷量預測
1.2.1　數(shù)據(jù)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(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　時間序列模型
2.1　指數(shù)平滑模型
2.1.1　簡單移動平均
2.1.2　加權(quán)移動平均
2.1.3　簡單指數(shù)平滑
2.1.4　指數(shù)平滑拓展模型
2.1.5　知識拓展
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(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(gòu)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(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
5.3.2　LSTM
5.3.3　GRU
5.4　神經(jīng)網(wǎng)絡(luò)擴展
5.4.1　CNN
5.4.2　其他擴展
進階模型篇
第6章　高階統(tǒng)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(shù)據(jù)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(jié)項
6.4.3　節(jié)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(wǎng)絡(luò)
7.1.1　1D-CNN
7.1.2　WaveNet
7.2　RNN類深度網(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(quán)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(jié)
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(yè)實踐篇
第10章　制造業(yè)
10.1　備件需求預測
10.1.1　數(shù)據(jù)特征
10.1.2　預測思路
10.1.3　實踐案例
10.2　產(chǎn)品需求預測
10.2.1　數(shù)據(jù)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(shù)據(jù)特征
10.3.2　預測思路
第11章　電商零售
11.1　常規(guī)預測
11.1.1　數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(yè)背景
12.1.2　數(shù)據(jù)特征
12.1.3　預測思路
12.1.4　實踐案例
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　預測思路
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　預測思路
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　預測思路
13.1.3　預測案例
13.2　最后一公里
13.2.1　背景
13.2.2　數(shù)據(jù)特征
13.2.3　預測模型
13.2.4　實踐案例
結(jié)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(wù)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(yīng)鏈預測算法的未來