📄Работа №202998
Тема: Разработка математических моделей для прогнозирования цен комплектующих деталей с использованием методов машинного обучения на примере компании Caterpillar
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Математические методы в экономике
Объем:
91 листов
Год:
2019
Просмотров:
77
4900
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
АННОТАЦИЯ 2
ВВЕДЕНИЕ 6
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ФУНКЦИОНИРОВАНИЯ ПРОЦЕССА ЗАКУПОК 11
1.1 Процесс закупки комплектующих один из важных бизнес-процессов компании Caterpillar 11
1.2 Прогнозирование цен на комплектующие в рамках процесса закупки .. 17
1.3 Постановка задачи 21
Выводы по разделу один 24
ГЛАВА 2. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ КАК ЭФФЕКТИВНОЕ
СРЕДСТВО РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ 26
2.1 Деревья решений 27
2.2 Ансамбли 30
2.2.1 Стекинг 31
2.2.2 Беггинг 32
2.2.3 Бустинг 32
2.3 Ансамбли деревьев решений 33
2.3.1 Случайный лес 33
2.3.2 Градиентный бустинг деревьев 35
2.4 Нейронные сети 36
2.4.1 Свёрточные нейронные сети (CNN) 37
2.4.2 Рекуррентные нейронные сети 39
2.4.3 Многослойный перцептрон 40
Выводы по разделу два 41
ГЛАВА 3. ПРОГНОЗИРОВАНИЯ ЦЕН НА КОМПЛЕКТУЮЩИЕ СБОРКИ
КОМПАНИИ CATERPILLAR 44
3.1 Метрика качества модели 46
3.2 Многослойный перцептрон 47
3.3 Градиентный бустинг 74
3.3.1 Catboost 75
3.3.2 XGBoost 91
Выводы по разделу три 104
ГЛАВА 4. ПРОЕКТ КОММЕРЦИАЛИЗАЦИИ 105
4.1 Участники процесса коммерциализации 106
4.2 Выбор способа коммерциализации 108
4.2.1 Достоинства и недостатки способов коммерциализации 110
4.3 Описание продукта 113
4.4 Решаемая проблема 113
4.5 Дорожная карта коммерциализации проекта 114
4.6 Оценка объема рынка 117
4.7 Бизнес-Модель 118
4.8 Команда проекта 119
4.9 Ценообразование 119
4.10 Правовая основа проекта 124
4.10.1 Формы распоряжения авторскими правами 125
Выводы по разделу четыре 126
ЗАКЛЮЧЕНИЕ 126
БИБЛЕОГРАФИЧЕСКИИ СПИСОК 127
ВВЕДЕНИЕ 6
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ФУНКЦИОНИРОВАНИЯ ПРОЦЕССА ЗАКУПОК 11
1.1 Процесс закупки комплектующих один из важных бизнес-процессов компании Caterpillar 11
1.2 Прогнозирование цен на комплектующие в рамках процесса закупки .. 17
1.3 Постановка задачи 21
Выводы по разделу один 24
ГЛАВА 2. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ КАК ЭФФЕКТИВНОЕ
СРЕДСТВО РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ 26
2.1 Деревья решений 27
2.2 Ансамбли 30
2.2.1 Стекинг 31
2.2.2 Беггинг 32
2.2.3 Бустинг 32
2.3 Ансамбли деревьев решений 33
2.3.1 Случайный лес 33
2.3.2 Градиентный бустинг деревьев 35
2.4 Нейронные сети 36
2.4.1 Свёрточные нейронные сети (CNN) 37
2.4.2 Рекуррентные нейронные сети 39
2.4.3 Многослойный перцептрон 40
Выводы по разделу два 41
ГЛАВА 3. ПРОГНОЗИРОВАНИЯ ЦЕН НА КОМПЛЕКТУЮЩИЕ СБОРКИ
КОМПАНИИ CATERPILLAR 44
3.1 Метрика качества модели 46
3.2 Многослойный перцептрон 47
3.3 Градиентный бустинг 74
3.3.1 Catboost 75
3.3.2 XGBoost 91
Выводы по разделу три 104
ГЛАВА 4. ПРОЕКТ КОММЕРЦИАЛИЗАЦИИ 105
4.1 Участники процесса коммерциализации 106
4.2 Выбор способа коммерциализации 108
4.2.1 Достоинства и недостатки способов коммерциализации 110
4.3 Описание продукта 113
4.4 Решаемая проблема 113
4.5 Дорожная карта коммерциализации проекта 114
4.6 Оценка объема рынка 117
4.7 Бизнес-Модель 118
4.8 Команда проекта 119
4.9 Ценообразование 119
4.10 Правовая основа проекта 124
4.10.1 Формы распоряжения авторскими правами 125
Выводы по разделу четыре 126
ЗАКЛЮЧЕНИЕ 126
БИБЛЕОГРАФИЧЕСКИИ СПИСОК 127
📖 Аннотация
В данной работе разрабатываются математические модели для прогнозирования цен на комплектующие детали в рамках процесса закупок компании Caterpillar с применением методов машинного обучения. Исследование актуально в связи с необходимостью повышения эффективности управления цепочками поставок и минимизации финансовых рисков за счет точного предсказания динамики цен. Основные результаты заключаются в сравнительном анализе различных алгоритмов, среди которых наилучшую точность продемонстрировали модели градиентного бустинга, реализованные с помощью библиотек XGBoost (среднеквадратическая ошибка 0.24) и CatBoost (ошибка 0.22), превзошедшие многослойный перцептрон на Keras (ошибка 0.36). Научная значимость работы состоит в адаптации и верификации современных методов машинного обучения для решения задач прогнозирования в сфере промышленных закупок, а практическая – в создании инструментария, позволяющего оптимизировать бюджетное планирование компании. В рамках краткого обзора литературы отмечается, что теоретические основы машинного обучения, включая нейронные сети, рассмотрены в трудах Аксенова и Новосельцева, Барского, а также в работе Вьюгина, посвященной математическим основам прогнозирования. В заключительной части работы представлен проект коммерциализации разработанного решения, включая оценку рыночного потенциала и дорожную карту внедрения.
📖 Введение
В ходе написания магистерской диссертационной работы, был рассмотрен процесс закупочной деятельности, рассмотрены факторы, влияющие на него, выявлена проблема, а также рассмотрена роль прогнозирования комплектующих в рамках данного процесса. В качестве инструментов прогнозирования рассматривались методы машинного обучения, начиная от простых методов, таких как линейная регрессия, дерево решений, заканчивая нейронными сетями и градиентным бустингом. Сравнительный анализ методов позволил выбрать необходимые инструменты для анализа, а именно нейронные сети и градиентный бустинг.
Были построены три модели, модель нейронной сети, которая основана на использование многослойного перцептрона. Данная модель разрабатывалась с помощью библиотеки Keras и дала среднеквадратическую ошибку равную 0.36. В качестве реализации метода градиентного бустинга были выбраны две библиотеки, это:
- xgboost, которая показала результат равный 0.24;
- catboost, данная реализация метода позволила снизить ошибку до 0.22.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
Были построены три модели, модель нейронной сети, которая основана на использование многослойного перцептрона. Данная модель разрабатывалась с помощью библиотеки Keras и дала среднеквадратическую ошибку равную 0.36. В качестве реализации метода градиентного бустинга были выбраны две библиотеки, это:
- xgboost, которая показала результат равный 0.24;
- catboost, данная реализация метода позволила снизить ошибку до 0.22.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
✅ Заключение
В ходе написания магистерской диссертационной работы, был рассмотрен процесс закупочной деятельности, рассмотрены факторы, влияющие на него, выявлена проблема, а также рассмотрена роль прогнозирования комплектующих в рамках данного процесса. В качестве инструментов прогнозирования рассматривались методы машинного обучения, начиная от простых методов, таких как линейная регрессия, дерево решений, заканчивая нейронными сетями и градиентным бустингом. Сравнительный анализ методов позволил выбрать необходимые инструменты для анализа, а именно нейронные сети и градиентный бустинг.
Были построены три модели, модель нейронной сети, которая основана на использование многослойного перцептрона. Данная модель разрабатывалась с помощью библиотеки Keras и дала среднеквадратическую ошибку равную 0.36. В качестве реализации метода градиентного бустинга были выбраны две библиотеки, это:
- xgboost, которая показала результат равный 0.24;
- catboost, данная реализация метода позволила снизить ошибку до 0.22.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
Были построены три модели, модель нейронной сети, которая основана на использование многослойного перцептрона. Данная модель разрабатывалась с помощью библиотеки Keras и дала среднеквадратическую ошибку равную 0.36. В качестве реализации метода градиентного бустинга были выбраны две библиотеки, это:
- xgboost, которая показала результат равный 0.24;
- catboost, данная реализация метода позволила снизить ошибку до 0.22.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.