Details

Тема выпускной квалификационной работы: «Интеллектуальная система анализа данных для ERP с использованием методов машинного обучения». В рамках данной работы будет осуществлена разработка моделей предсказания данных для Enterprise Resource Planning System (далее – ERP система) на основе методов машинного обучения. Задачи, которые решались в ходе исследования: 1) Изучение методов машинного обучения для реализации модели прогнозирования продаж. 2) Сбор и обработка данных сетей ресторанов для обучения модели. 3) Интеграция реализованных моделей в программный модуль. 4) Реализация программного модуля. 5) Оценка эффективности каждой реализованной модели. Работа выполнена на основе данных сетей ресторанов, которые предоставила ERP-система компании ABSOLUT. Разработаны и обучены модели для прогнозирования продаж на языке Python с использованием библиотек Pandas, NumPy, TensorFlow, Keras и Scikit-learn и других. Также разработан программный модуль (интерфейс), в котором есть графики прогнозирования продаж каждой модели и график с реальными значениями. Использованные информационные технологии: язык программирования Python, IDE PyCharm, библиотеки Pandas, NumPy, TensorFlow, Keras.

Topic of the final qualifying work: "Intelligent data analysis system for ERP using machine learning methods". Within the framework of this work, data prediction models for the Enterprise Resource Planning System (hereinafter referred to as the ERP system) will be developed based on machine learning methods. Tasks that were solved during the study: 1) Study of machine learning methods for implementing a sales forecasting model. 2) Collection and processing of restaurant chain data for training the model. 3) Integration of the implemented models into the software module. 4) Implementation of the software module. 5) Evaluation of the effectiveness of each implemented model. The work was carried out on the basis of restaurant chain data provided by the ERP system of ABSOLUT. Sales forecasting models were developed and trained in Python using the Pandas, NumPy, TensorFlow, Keras and Scikit-learn libraries and others. A software module (interface) was also developed, which contains sales forecasting graphs for each model and a graph with real values. Information technologies used: Python programming language, PyCharm IDE, Pandas, NumPy, TensorFlow, Keras libraries.

• СОДЕРЖАНИЕ
• ВВЕДЕНИЕ
• ГЛАВА 1 ОСНОВЫ ИНТЕЛЕКТУАЛЬНЫХ СИСТЕМ АНАЛИЗА ДАННЫХ И ERP-СИСТЕМ
  • 1.1 Общее понятие ERP-систем и их роль в бизнес-процессах
  • 1.1 Что такое искусственный интеллект и его возможности
  • 1.2 Технологии и методы анализа данных в контексте ERP
• 1.3.1 Виды аналитики и алгоритмов
• 1.3.2 Как визуально представляются данные для аналитиков и конечных пользователей
• ГЛАВА 2 МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ
  • 2.1 Основные методы машинного обучения
  • 2.1.1 Метод регрессии
  • 2.1.2 Классификация
  • 2.1.3 Кластеризация
  • 2.2 Выбор метода ML для решения поставленной задачи
• Глава 3 Сбор и подготовка данных
  • 3.1 Процесс извлечения данных
  • 3.2 Подготовка данных
• ГЛАВА 4 РЕАЛИЗАЦИЯ МОДЕЛИ
  • 4.1 Обучение моделей на подготовленных данных
  • 4.2 Интеграция обученных моделей в ERP-систему.
• 4.3 Оценка эффективности моделей
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ А ОБУЧЕНИЕ РЕГРЕСИОННОЙ МОДЕЛИ
• ПРИЛОЖЕНИЕ Б ОБУЧЕНИЕ МОДЕЛИ СЛУЧАЙНОГО ЛЕСА
• ПРИЛОЖЕНИЕ В ОБУЧЕНИЕ МОДЕЛИ MLP-РЕГРЕССОРА
• ПРИЛОЖЕНИЕ Г ОБУЧЕНИЕ МОДЕЛИ LIGHTGBM
• ПРИЛОЖЕНИЕ Д ОБУЧЕНИЕ МОДЕЛИ XGBOOST
• ПРИЛОЖЕНИЕ Е ОБУЧЕНИЕ МОДЕЛИ LSTM-НЕЙРОСЕТЬ
• ПРИЛОЖЕНИЕ Ж ФУНКЦИЯ ОБРАБОТКИ ДАННЫХ ДЛЯ ОБУЧЕНИЯ
• ПРИЛОЖЕНИЕ З РАЗБИТИЕ МАССИВА С ДАННЫМИ НА ПРИЗНАКИ ДЛЯ ОБУЧЕНИЯ МОДЕЛИ
• ПРИЛОЖЕНИЕ И ФУНКЦИЯ ПЕРЕПОДГОТОВКИ ДАННЫХ
• ПРИЛОЖЕНИЕ К ПРЕДСКАЗАНИЙ МОДЕЛЕЙ
• ПРИЛОЖЕНИЕ Л HTML РАЗМЕТКА СТРАНИЦЫ
• ПРИЛОЖЕНИЕ М ОСНОВНОЙ JAVASCRIPT МОДУЛЬ
• ПРИЛОЖЕНИЕ Н ИЗВЛЕЧЕНИЕ ДАННЫХ О ПРОДАЖАХ ИЗ API