МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНА ОТЫРЫП ҚОЙМА ҚОРЛАРЫН БОЛЖАУ

Бөлшектік сауда – бұл белгілі бір тауарларды соңғы тұтынушыға немесе делдалға дейін және одан әрі сату, жеке сату және т.б. сату түрлері арқылы жүзеге асырылады. Ал бөлшек сауда дегеніміз – бұл сұранысты қанағаттандыруға бағытталған тауар айырбастау процесі. Сонымен қатар бөлшек сауда секторы қазіргі уақытта ТМД елдері экономикасының даму қарқындылығы бойынша жетекші орынға ие. Өте жоғары көрсеткіштерге қол жеткізілді және көптеген компаниялар сауда-саттықтың жаңа деңгейіне шықты. Шамамен 2005 жылға қарай оннан астам ірі сауда желілері жылдық таза кірісі бойынша миллиард долларлық межеден өтті. Жеке дүкендер мен бөлшек сауда объектілерінің тауар айналымы және өндірістік базалары бар кейбір өнеркәсіптік кәсіпорындармен бәсекелесті.

Олай болса, сауда саласы, сабақтас салалардың өсуі мен дамуына әсер етеді деп айтуға болады. Сауданың дамуы сатушылардан тауар ассортиментімен және тауарлық-материалдық құндылықтармен жұмыс жасауға көбірек көңіл бөлуді талап етеді. Тауарлы-материалдық құндылықтармен істеу көптеген сатушылар үшін басты мәселе болып табылады. Осыған орай компаниялар қоймада тауарлардың жеткілікті мөлшерде екендігіне көз жеткізуі керек. Сондай-ақ тауардың шектен тыс көп болуы да дұрыс емес және мұны болдырмай, алдын алу қажет. Қорытындылай келе, тауарлы-материалдық құндылықтарды басқаруда шешім қабылдау, сату көлеміне, логистикалық шығындарға, кіріске, пайдаға және рентабельділікке тікелей әсер етеді. Қойма қорларын болжау – бұл түгендеудің оңтайлы деңгейін ұстап тұру үшін қажетті міндет. Жобаның / диссертацияның мақсаты – проблеманы машиналық оқыту технологияларына негізделген заманауи болжау әдістерін қолдану арқылы шешу екенін атап өткіміз келеді. Осылайша мыңдаған немесе одан да көп өнімді сату динамикасын (тұтынушылық сұранысты) әбден талдауға болады.

1. Jake VanderPlas. Python for Complex tasks: data science and machine learning. - St. Petersburg. January 2018

2. Wes McKinley. Python and Data Analysis. November 2015

3. Cholet Francois. Deep learning in Python. January 2018

4. Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition September 2019.

5. Emmanuel Ameisen. Building Machine Learning Powered Applications. January 2020

6. http://pypi.python.org

7. http://www.enthought.com

8. http://pythonxy.googlecode.com

9. http://scikit-learn.org