Вид работы:
Магистерская диссертация
Предмет:

Страниц:
139
Источников:
40
Срок:
6
Файл:
1_РПЗ_ВКРМ.docx


Используемая литература

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Бейдер Д. Чистый Python. Тонкости программирования для профи. СПб.: Питер, 2018. 288 с.
2. Берри П. Изучаем программирование на Python. М.: Эксмо, 2017. 611 с.
3. Бершадский А.М., Лычагин К.А., Финогеев А.Г., Шмид А.В. Оптимизация потенциала и привлекательности торговых точек на основе интеллектуального анализа больших данных // Труды международного симпозиума «Надежность и качество». – 2018. – Т. 1. – С. 317-320.
4. Ватутин Э.И., Титов В.С., Емельянов С.Г. Основы дискретной комбинаторной оптимизации. – М.: АРГАМАК-МЕДИА, 2016. – 270 с.
5. Винжегин О. М. Особенности планирования ассортимента торгового предприятия (на примере ООО «Наполеон») //Вестник Омского университета. Серия «Экономика». – 2007. – №. 4.
6. Ершов И. А., Стукач О.В. Повышение устойчивости решения задач классификации методами кластерного анализа с корректным нормированием данных // Управление развитием. – 2016. – Т.185. №3. – С.120-129.
7. Карпенко А. П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. – М.: МГТУ, 2017. – 447 с.
8. Лычагин К. А. Количественная оценка потенциала торговых точек // Статистика и экономика. – 2019. – №. 3 (16). – С. 60-69.
9. Любанович Б. Простой Python. Современный стиль программирования. СПб.: Питер ,2016. 480 с.
10. Милов С.Н., Милов А.С Применение кластерного анализа при управлении запасами и ассортиментом // Логистика и управление цепями поставок. – 2018. – № 6 (89). – С. 47-72.
11. Пивкин, К.С. Моделирование покупательского спроса на предприятиях розничной торговли на основе методов машинного обучения. [Текст]: дис. … канд. экон. наук: 08.00.13: защищена 25.12.19: утв. 25.04.20 / Пивкин Кирилл Сергеевич. — Ижевск, 2018. — 220 с. — Библиогр.: с.202-213. — 04200201565.
12. Симакина М. А., Колобов С. В., Кожина О. М. Влияние поставщика на маркетинговый аспект разработки ассортиментной матрицы розничной компании // Экономические системы. – 2020. – Т. 13. – №. 1. – С. 48-56.
13. Снегурова В., Кочуренко Н. Основы математической обработки информации. Учебник и практикум. – М.: Юрайт, 2017. – 220 с.
14. Чижина К.С., Сергеев С.М. Моделирование влияния качества товаров на ассортиментную матрицу // В сборнике: Неделя науки СПбПУ. Материалы научной конференции с международным участием. Институт промышленного менеджмента, экономики и торговли. – 2018. – С. 290-292.
15. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 486 с.
16. Bulti A.G., Ray A. Commodity Market Price Analysis and Prediction using Machine Learning Framework // International Journal of Innovative Technology and Exploring Engineering (IJITEE). – 2019. – V. 8. – №. 38. – pp. 2822-2828.
17. Tianyuan Ni Data Analysis and Machine Learning: on Long Memory Commodity Time Series [Текст]: Thesis submitted for the degree of Master of Philosophy University of Liverpool. — Liverpool, 2019. — 117 p. – Bibliography.: — pp. 108-117.
18. Won H.-R., Lee Y., Shim J.-S., Ahn H. A Hybrid Collaborative Filtering Model Using Customer Search Keyword Data for Product Recommendation //2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA). – IEEE, 2019. – pp. 1523-1526.
19. Yi S., Liu X. Machine learning based customer sentiment analysis for recommending shoppers, shops based on customers’ review //Complex & Intelligent Systems. – 2020. – Т. 6. – №. 3. – pp. 621-634.
20. Scikit-learn 0.24.1. URL: https://scikit-learn.org/stable/supervised_learning.html
21. Введение в Scikit-learn. URL: https://neurohive.io/ru/osnovy-data-science/vvedenie-v-scikit-learn/



Предыдущая запись

Следующая запись