首页
›
供应链数字化与智能采购系统
›
016-AI驱动的供应链需求预测与库存优化实战
›
《库存预测模型实战》
VIP20
本课程属于:016-AI驱动的供应链需求预测与库存优化实战
供应链数字化与智能采购系统 · 共 20 门相关课程,组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录
咨询 / 购买
库存预测模型实战
📚 30章 · 从入门到部署
01
库存预测概述
库存管理重要性
预测在供应链作用
课程目标与路径
02
Python环境准备
Anaconda安装
Jupyter配置
必备库安装
03
数据基础操作
Pandas读取CSV/Excel
head/info/describe
数据类型转换
04
数据清洗实战
处理缺失值
处理重复值
异常值检测
05
时间序列基础
时间索引设置
日期范围生成
重采样resample
06
特征工程 (上)
滞后特征
滚动窗口统计
rolling mean/std
07
特征工程 (下)
日期特征提取
节假日特征
季节性虚拟变量
08
数据可视化 (上)
Matplotlib基础
折线图库存趋势
柱状图品类对比
09
数据可视化 (下)
Seaborn高级图表
热力图相关性
箱线图异常
10
探索性数据分析EDA
统计摘要
分布分析
趋势与季节分解
11
平稳性检验
ADF检验原理
KPSS检验
差分操作
12
自相关与偏自相关
ACF图解读
PACF图解读
确定ARIMA参数
13
ARIMA模型 (上)
模型原理
statsmodels训练
模型诊断
14
ARIMA模型 (下)
模型预测
预测可视化
误差评估MSE/MAE/MAPE
15
SARIMA模型
季节性ARIMA原理
参数P,D,Q,s
实战预测
16
Prophet模型 (上)
Facebook Prophet安装
数据格式要求
模型训练
17
Prophet模型 (下)
预测未来N天
趋势/季节成分可视化
变点检测
18
线性回归预测
历史库存作特征
训练线性回归
评估预测效果
19
决策树与随机森林
决策树原理
随机森林集成
特征重要性排序
20
XGBoost模型
梯度提升原理
XGBoost安装训练
超参数调优
21
LSTM神经网络 (上)
深度学习环境配置
TensorFlow/Keras
数据重塑为监督学习
22
LSTM神经网络 (下)
构建LSTM模型
训练与预测
与经典模型对比
23
模型评估指标
回归指标R²/RMSE/MAE/MAPE
交叉验证方法
24
超参数调优
网格搜索GridSearchCV
随机搜索
贝叶斯优化入门
25
集成学习与堆叠
模型融合策略
平均/加权
Stacking集成
26
库存安全库存计算
安全库存公式
服务水平与Z值
动态安全库存
27
补货策略模拟
固定订货量
固定订货周期
(s,S)策略模拟
28
项目实战 (上)
真实库存数据集加载
EDA与特征工程
多模型训练对比
29
项目实战 (下)
模型选择与部署
预测仪表盘可视化
业务建议生成
30
课程总结与进阶
常见问题与解决方案
生产环境部署建议
推荐学习资源与
所属VIP或分类
同VIP:AI赋能库存预测与补货系统实战
同VIP:Python供应链需求预测实战
同VIP:供应链协同与库存成本控制