Registration Number
2125U003032, Article
popup.category
Бакалаврська робота
Title
Програмний комплекс для оптимізації запасів товарів на основі прогнозування продажів (AI translated)
popup.author
Побережець Іван Юрійович
Poberezhets Ivan Yuriiovych
popup.publication
01-01-2025
popup.source_user
Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»
popup.source
https://ela.kpi.ua/handle/123456789/76054
popup.publisher
Київ
Description
Дипломна робота: 134 с., 7 табл., 35 рис., 2 додатки, 28 джерел.
Об’єкт дослідження – процес управління товарними запасами на торгівельному підприємстві. Предмет дослідження – методи машинного навчання для прогнозування часових рядів. Мета роботи – підвищення точності прогнозування продажів шляхом розробки та порівняльного аналізу моделей машинного навчання для створення надійної інформаційної основи, необхідної для оптимізації управління товарними запасами. Використані моделі – для досягнення поставленої мети ми інтегрували такі алгоритми машинного навчання: логістична регресія, дерева рішень, градієнтний бустинг та випадкові ліси. Ці моделі були об'єднані в потужний ансамбль для підвищення точності прогнозів. Актуальність – застосування сучасних методів машинного навчання дозволяє створювати значно точніші та більш гнучкі прогнозні моделі. Це дає можливість перейти від інтуїтивного до керованого даними (data-driven) підходу в управлінні запасами. Результати роботи – було створено програмний продукт мовою Python, що ефективно використовує методи штучного інтелекту для прогнозування кількості проданих одиниць товару.
Diploma thesis: 134 p., 7 tables, 35 figures, 2 appendices, 28 sources.
The object of research is the process of inventory management at a trade enterprise. The subject of research is machine learning methods for time series forecasting. Purpose – to improve the accuracy of sales forecasting by developing and comparatively analyzing machine learning models to create a reliable information base for optimizing inventory management. Models used – to achieve this goal, we integrated the following machine learning algorithms: logistic regression, decision trees, gradient boosting, and random forests. These models were combined into a powerful ensemble to improve the accuracy of forecasts. Relevance – the use of modern machine learning methods, in particular gradient boosting, allows creating much more accurate and flexible forecast models. This makes it possible to move from an intuitive to a data-driven approach to inventory management. Results – a Python software product was created that effectively uses artificial intelligence methods to predict the number of units sold.
popup.nrat_date
2025-11-05