開(kāi)　　篇
第1章　從一個(gè)SKU的需求預(yù)測(cè)開(kāi)始
1.1　智能供應(yīng)鏈與需求預(yù)測(cè)
1.2　一個(gè)SKU的銷(xiāo)量預(yù)測(cè)
1.2.1　數(shù)據(jù)預(yù)處理
1.2.2　探索性分析與特征工程
1.2.3　預(yù)測(cè)實(shí)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(shí)間序列模型
2.1　指數(shù)平滑模型
2.1.1　簡(jiǎn)單移動(dòng)平均
2.1.2　加權(quán)移動(dòng)平均
2.1.3　簡(jiǎn)單指數(shù)平滑
2.1.4　指數(shù)平滑拓展模型
2.1.5　知識(shí)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(dòng)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(jiǎn)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(jī)器學(xué)習(xí)模型
4.1　決策樹(shù)模型
4.1.1　模型介紹
4.1.2　特征選擇
4.1.3　決策樹(shù)剪枝
4.1.4　構(gòu)建決策樹(shù)
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(jī)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(jī)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(xùn)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(xùn)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(shí)
5.3.2　LSTM
5.3.3　GRU
5.4　神經(jīng)網(wǎng)絡(luò)擴(kuò)展
5.4.1　CNN
5.4.2　其他擴(kuò)展
進(jìn)階模型篇
第6章　高階統(tǒng)計(jì)模型
6.1　Theta模型
6.1.1　Theta線與Theta分解
6.1.2　分解時(shí)間序列預(yù)測(cè)方法
6.1.3　Theta模型的預(yù)測(cè)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(shí)間序列數(shù)據(jù)的Bootstrap方法
6.3.2　時(shí)間序列模型的Bagging預(yù)測(cè)方法
6.4　Prophet模型
6.4.1　趨勢(shì)項(xiàng)
6.4.2　季節(jié)項(xiàng)
6.4.3　節(jié)假日及事件項(xiàng)
6.4.4　模型訓(xùn)練
第7章　深度學(xué)習(xí)模型
7.1　CNN類(lèi)深度網(wǎng)絡(luò)
7.1.1　1D-CNN
7.1.2　WaveNet
7.2　RNN類(lèi)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(jī)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(shí)間序列分類(lèi)
8.2.2　確定模型池
8.2.3　滾動(dòng)回測(cè)
8.2.4　模型選擇與權(quán)重確定
8.2.5　最終預(yù)測(cè)
8.3　FFORMA模型
8.3.1　模型框架
8.3.2　算法細(xì)節(jié)
第9章　其他模型策略
9.1　間斷性需求預(yù)測(cè)
9.1.1　什么是間斷性需求
9.1.2　間斷性需求預(yù)測(cè)方法
9.2　不確定預(yù)測(cè)
9.3　遷移學(xué)習(xí)預(yù)測(cè)
行業(yè)實(shí)踐篇
第10章　制造業(yè)
10.1　備件需求預(yù)測(cè)
10.1.1　數(shù)據(jù)特征
10.1.2　預(yù)測(cè)思路
10.1.3　實(shí)踐案例
10.2　產(chǎn)品需求預(yù)測(cè)
10.2.1　數(shù)據(jù)特征
10.2.2　預(yù)測(cè)思路
10.2.3　實(shí)踐案例
10.3　預(yù)測(cè)性維護(hù)
10.3.1　數(shù)據(jù)特征
10.3.2　預(yù)測(cè)思路
第11章　電商零售
11.1　常規(guī)預(yù)測(cè)
11.1.1　數(shù)據(jù)處理
11.1.2　預(yù)測(cè)思路
11.1.3　實(shí)踐案例
11.2　促銷(xiāo)預(yù)測(cè)
11.2.1　數(shù)據(jù)特征
11.2.2　預(yù)測(cè)思路
11.2.3　實(shí)踐案例
11.3　新品預(yù)測(cè)
11.3.1　數(shù)據(jù)收集與分析
11.3.2　預(yù)測(cè)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(yù)測(cè)思路
12.1.4　實(shí)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(yù)測(cè)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(yù)測(cè)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(yù)測(cè)思路
13.1.3　預(yù)測(cè)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(yù)測(cè)模型
13.2.4　實(shí)踐案例
結(jié)語(yǔ)
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(xiě)
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(dāng)算法工程師開(kāi)始
14.2.1　我需要具備什么能力
14.2.2　進(jìn)階和突破瓶頸的思路
14.3　供應(yīng)鏈預(yù)測(cè)算法的未來(lái)