Бакалаврська робота. Побережець Іван Юрійович. Програмний комплекс для оптимізації запасів товарів на основі прогнозування продажів

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