دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Data Science for Supply Chain Forecasting
دانلود کتاب علم داده برای پیش بینی زنجیره تامین
مشخصات کتاب
Data Science for Supply Chain Forecasting
ویرایش: 2
نویسندگان: Nicolas Vandeput
سری:
ISBN (شابک) : 9783110671100
ناشر: De Gruyter
سال نشر: 2021
تعداد صفحات: 310
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
قیمت کتاب (تومان) : 46,000
در صورت تبدیل فایل کتاب Data Science for Supply Chain Forecasting به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب علم داده برای پیش بینی زنجیره تامین نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب علم داده برای پیش بینی زنجیره تامین
ابزارهای آماری منبع باز در دهه گذشته پیشرفت فوق العاده ای داشته اند. در این کتاب Nicolas Vandeput نشان می‌دهد که این ابزار برای پرداختن به چالش‌های پیش‌بینی دنیای واقعی که در زنجیره‌های تامین یافت می‌شود، بیش از اندازه کافی هستند. استفاده از علم داده برای حل یک مشکل بیش از مهارت کدنویسی نیازمند یک ذهنیت علمی است. علم داده برای پیش‌بینی زنجیره تامین ادعا می‌کند که یک روش علمی واقعی که شامل آزمایش، مشاهده و پرسش دائمی است باید برای زنجیره تامین نیز اعمال شود. بخش اول کتاب بر مدل‌های آماری «سنتی» و بخش دوم بر یادگیری ماشین متمرکز است. فصل‌های مختلف یا بر روی مدل‌های پیش‌بینی و یا بر روی مفاهیم جدید متمرکز شده‌اند (بیش از حد، تناسب اندک، kpi، نقاط پرت). کتاب مملو از نمونه‌های پایتون است تا به خواننده نشان دهد که چگونه این مدل‌ها را خودش به کار ببرد. این کتابی است برای پزشکانی که بر علم داده و یادگیری ماشین تمرکز دارند و نشان می‌دهد که چگونه هر دو به‌منظور ایجاد یک پیش‌بینی پیشرفته برای زنجیره تامین به هم مرتبط هستند. از طریق رویکرد عملی خود، برای مخاطبان زیادی از متخصصان زنجیره تامین قابل دسترسی است.
توضیحاتی درمورد کتاب به خارجی
Open source statistical toolkits have progressed tremendously over the last decade. In this book Nicolas Vandeput demonstrates that these toolkits are more than enough to address real-world forecasting challenges as found in supply chains. Using data science in order to solve a problem requires a scientific mindset more than coding skills. Data Science for Supply Chain Forecasting contends that a true scientific method that includes experimentation, observation and constant questioning must be applied to supply chain as well. The first part of the book is focused on statistical "traditional" models and the second on machine learning. The various chapters are focused either on forecast models or on new concepts (overfit, underfit, kpi, outliers). The book is full of python examples to show the reader how to apply these models him/herself. This is a book for practitioners focusing on data science and machine learning and demonstrates how both are closely interlinked in order to create an advanced forecast for supply chain. Through its hands-on approach, it is accessible to a large audience of supply chain practitioners.
فهرست مطالب
Acknowledgments About the Author Foreword – Second Edition Foreword – First Edition Contents Introduction Part I: Statistical Forecasting 1 Moving Average 2 Forecast KPI 3 Exponential Smoothing 4 Underfitting 5 Double Exponential Smoothing 6 Model Optimization 7 Double Smoothing with Damped Trend 8 Overfitting 9 Triple Exponential Smoothing 10 Outliers 11 Triple Additive Exponential Smoothing Part II: Machine Learning 12 Machine Learning 13 Tree 14 Parameter Optimization 15 Forest 16 Feature Importance 17 Extremely Randomized Trees 18 Feature Optimization #1 19 Adaptive Boosting 20 Demand Drivers and Leading Indicators 21 Extreme Gradient Boosting 22 Categorical Features 23 Clustering 24 Feature Optimization #2 25 Neural Networks Part III: Data-Driven Forecasting Process Management 26 Judgmental Forecasts 27 Forecast Value Added Now It’s Your Turn! A Python Bibliography Glossary Index
