Програмний комплекс для оптимізації запасів товарів на основі прогнозування продажів

Скорочена інформація про документ
dc.contributor.advisorКухарєв, Сергій Олександрович
dc.contributor.authorПобережець, Іван Юрійович
dc.date.accessioned2025-09-16T11:07:43Z
dc.date.available2025-09-16T11:07:43Z
dc.date.issued2025
dc.description.abstractДипломна 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.
dc.description.abstractotherDiploma 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.
dc.format.extent134 с.
dc.identifier.citationПобережець, І. Ю. Програмний комплекс для оптимізації запасів товарів на основі прогнозування продажів : дипломна робота … бакалавра : 124 Системний аналіз / Побережець Іван Юрійович. – Київ, 2025. – 134 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/76054
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування продажів
dc.subjectмашинне навчання
dc.subjectчасові ряди
dc.subjectрегресійна задача прогнозування
dc.subjectінтелектуальний аналіз
dc.titleПрограмний комплекс для оптимізації запасів товарів на основі прогнозування продажів
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Poberezhets_bakalavr.pdf
Розмір:
4.89 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи