机器学习赋能需求预测实战 - 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 - 可可精品资料库

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

需求预测在供应链中的核心价值、传统预测方法（移动平均、指数平滑）的局限性、机器学习如何赋能预测。

Python与Anaconda安装、Jupyter Notebook配置、必备库安装（pandas, numpy, matplotlib, seaborn, scikit-learn, xgboost, lightgbm）。

Pandas数据结构（Series与DataFrame）、数据读取（CSV/Excel）、数据概览（head, info, describe）。

缺失值处理（删除、填充、插值）、异常值检测与处理（IQR法、Z-score法）、重复值处理。

特征工程基础

时间特征提取（年、月、周、日、星期几、是否节假日）、滞后特征（Lag Features）、滚动窗口统计特征（Rolling Mean/Std）。

数据可视化

Matplotlib与Seaborn基础、时间序列折线图、季节性分解图、相关性热力图、分布直方图。

时间序列平稳性

平稳性概念、ADF检验、差分操作、对数变换使序列平稳。

自相关与偏自相关

ACF与PACF图解读、识别AR与MA阶数。

经典时间序列模型 (上)

AR模型、MA模型、ARMA模型原理与Python实现。

经典时间序列模型 (下)

ARIMA模型原理、差分阶数确定、模型定阶（AIC/BIC）、Python实战。

SARIMA模型原理、季节性参数(P,D,Q,s)确定、Python实战与预测。

Prophet模型 (上)

Facebook Prophet原理、趋势与季节性分解、节假日效应、Python安装与基础使用。

Prophet模型 (下)

Prophet参数调优（changepoint_prior_scale, seasonality_prior_scale）、交叉验证、预测区间。

机器学习回归基础

线性回归原理、决策树回归原理、随机森林回归原理、模型评估指标（MAE, MSE, RMSE, MAPE）。

特征工程进阶

One-Hot编码、Label Encoding、目标编码、特征选择（特征重要性、相关性筛选）。

XGBoost原理（梯度提升树）、参数详解（n_estimators, max_depth, learning_rate）、Python实战。

LightGBM原理（直方图算法、GOSS）、与XGBoost对比、参数调优、Python实战。

模型训练与验证

训练集/验证集/测试集划分（时间序列需按时间切分）、K折交叉验证（TimeSeriesSplit）、过拟合与欠拟合诊断。

超参数调优

网格搜索（GridSearchCV）、随机搜索（RandomizedSearchCV）、贝叶斯优化（Optuna）入门。

Stacking集成（基学习器+元学习器）、Voting集成（平均/加权平均）、Blending方法。

深度学习入门

PyTorch/TensorFlow基础、全连接神经网络（MLP）用于时间序列预测、激活函数与损失函数选择。

LSTM模型 (上)

循环神经网络（RNN）原理、LSTM门控机制（遗忘门、输入门、输出门）、时间步与滑动窗口构建。

LSTM模型 (下)

PyTorch实现LSTM预测、多步预测策略（递归多步、直接多步、Seq2Seq）、模型保存与加载。

CNN与时间序列

1D-CNN原理、因果卷积、TCN（时间卷积网络）原理与实战。

Transformer与时间序列

Attention机制、Informer/ Autoformer简介、Time Series Transformer实战（使用PyTorch）。

多步预测策略详解

递归多步预测、直接多步预测、多输出模型、Seq2Seq架构、Teacher Forcing。

多变量时间序列预测

多变量输入单步预测、多变量输入多步预测、特征融合策略、实战案例（销量+价格+促销）。

模型部署与API

Flask/FastAPI构建预测服务、模型序列化（joblib/pickle）、Docker容器化部署简介。

实战项目一

零售商品销量预测（数据清洗→特征工程→模型对比→超参调优→结果可视化→预测报告）。

实战项目二

供应链库存需求预测（多SKU预测、层级预测（Top-Down/Bottom-Up）、模型选择与业务落地建议）。