库存预测的业务价值、深度学习在供应链中的应用、课程目标与项目架构总览。
Anaconda安装、Python环境配置、Jupyter Notebook与VS Code设置、深度学习框架选型与安装。
NumPy基础操作、Pandas数据结构与数据清洗、Matplotlib与Seaborn基础可视化。
数据来源介绍、数据字段解读、缺失值与异常值处理、时间序列可视化。
时间特征提取（年、月、日、星期、节假日）、滞后特征、滚动窗口统计特征。
训练集/验证集/测试集划分、时间序列数据避免数据泄露、MinMaxScaler与StandardScaler应用。
ARIMA模型原理简介、使用statsmodels进行库存预测、模型评估指标（MAE, RMSE, MAPE）。
感知机与多层感知机、激活函数（ReLU, Sigmoid, Tanh）、损失函数与优化器。
序列数据处理、RNN单元结构、梯度消失与爆炸问题。
LSTM门控机制、GRU简化结构、为什么LSTM适合库存预测。
数据序列化（创建滑动窗口）、构建LSTM模型、训练与预测。
直接多步预测与递归多步预测策略、多输出LSTM模型设计。
学习率、隐藏层大小、层数、批次大小、Dropout率对模型的影响。
Early Stopping策略、L1/L2正则化、Dropout层实战。
Seq2Seq模型简介、注意力机制原理、加入注意力机制的LSTM。
位置编码、自注意力机制、时间序列Transformer实战。
引入外部特征（促销、价格、天气）、多变量LSTM输入构建。
滑动窗口预测、模型集成（Bagging/Stacking）提升稳定性。
残差分析、预测区间估计、不同SKU的预测性能对比。
ONNX模型导出、Flask API搭建、简单的Web预测界面。
数据漂移检测、定期重训练策略、MLflow实验跟踪。
图神经网络（GNN）在供应链中的应用、强化学习用于库存补货。
核心知识点回顾、推荐与书籍、Kaggle竞赛与开源项目推荐。