Содержание:
ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 5
ВВЕДЕНИЕ 6
1 Анализ методов формирования товарной матрицы 8
1.1 Базовая теория и основные принципы формирования товарной (ассортиментной) матрицы 8
1.2 Анализ существующих методов машинного обучения, применимых в предметной области 19
1.3 Постановка задачи на проектирование и разработку программной системы 36
1.4 Выводы по разделу 37
2 Проектирование программной системы 38
2.1 Методика формирования товарной матрицы 38
2.2 Частные алгоритмы формирования товарной матрицы 43
2.3 Разработка общей структуры программной системы формирования товарной матрицы 49
2.4 Разработка основных функций и процедур 60
2.5 Выводы по разделу 66
3 Технология тестирования и развертывания программной системы 67
3.1 Разработка технологии развертывания программной системы 67
3.2 Разработка технологии тестирования программной системы 71
3.3 Результаты работы прототипа программной системы 75
3.4 Выводы по разделу 91
ЗАКЛЮЧЕНИЕ 92
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 94
ПРИЛОЖЕНИЕ А Техническое задание 96
ПРИЛОЖЕНИЕ Б Графические материалы 105
ПРИЛОЖЕНИЕ В Листинг программной системы 116
ПРИЛОЖЕНИЕ Г Руководство пользователя 125
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/