文件名称：tensor-house:用于企业运营的参考机器学习和优化模型的集合
文件大小：27.44MB
文件格式：ZIP
更新时间：2024-05-19 02:21:19
marketing data-science machine-learning reinforcement-learning ai
关于 TensorHouse是针对企业运营的参考机器学习和优化模型的集合：营销，定价，供应链等。 该项目的目标是为工业，研究和教育目的提供基准实施。 该项目着重于模型，技术和数据集，这些模型，技术和数据集最初是由行业从业者或与技术，零售，制造和其他领域的领先公司合作的学术研究人员开发的。 换句话说，TensorHouse主要关注行业验证的方法和模型，而不是理论研究。 TensorHouse包含以下资源： 记录完备的参考模型实现的资料库， 人工策划的现代运筹学清单， 与企业用例相关的手动精选的列表。 说明性例子 使用强化学习的战略性价格优化： DQN学习了在低价和正常价之间切换的高低定价策略 使用强化学习的供应链优化： 供应世界模拟环境 使用贝叶斯结构时间序列的需求分解 型号清单 促销和广告 媒体组合建模：用于广告系列/渠道归因的基本Adstock模型（） 媒体混合建模：具有
【文件预览】：
tensor-house-master
----.gitignore(1KB)
----README.md(7KB)
----time-series()
--------bsts-part-3-forecasting-prophet.ipynb(353KB)
--------var-part-1-forecasting-decomposition.ipynb(544KB)
--------arima-part-1-algorithm.ipynb(1.15MB)
--------arima-part-2-use-case.ipynb(1.28MB)
--------gbdt-forecasting.ipynb(1.65MB)
--------bsts-part-1-decomposition.ipynb(506KB)
--------var-part-2-market-data.ipynb(1.27MB)
--------bsts-part-2-forecasting.ipynb(322KB)
--------bsts-part-4-forecasting-pymc3.ipynb(691KB)
--------lstm-forecasting.ipynb(932KB)
----resources()
--------descriptions.md(1024B)
--------demo-animation-world-of-supply.gif(612KB)
--------logo-2000x436px-gr.png(24KB)
--------papers.md(12KB)
--------requirements.txt(506B)
--------item2vec-clustering.gif(1.77MB)
--------hilo-pricing-dqn-training-animation.gif(5.06MB)
--------demand-decomposition-example.png(729KB)
--------datasets.md(4KB)
----promotions()
--------dynamic-content-personalization-rl.ipynb(137KB)
--------churn-prediction-lstm.ipynb(276KB)
--------channel-attribution-lstm.ipynb(132KB)
--------markov-ltv.ipynb(22KB)
--------mediamix-adstock.ipynb(71KB)
--------mediamix-bayesian.ipynb(2.42MB)
--------sequence-modeling-lstm.ipynb(515KB)
--------next-best-action-rl.ipynb(129KB)
----search()
--------lsa.ipynb(8KB)
--------image-artistic-style-similarity.ipynb(1.46MB)
----LICENSE(11KB)
----supply-chain()
--------world-of-supply()
--------supply-chain-reinforcement-learning.ipynb(294KB)
----pricing()
--------dynamic-pricing-thompson.ipynb(124KB)
--------market-response-function.ipynb(105KB)
--------price-elasticity.ipynb(287KB)
--------bayesian-demand-models.ipynb(211KB)
--------price-optimization-using-dqn-reinforcement-learning.ipynb(743KB)
--------demand-unconstraining.ipynb(131KB)
--------dynamic-pricing-limited-experimentation.ipynb(247KB)
--------markdown-optimization.ipynb(10KB)
----recommendations()
--------customer2vec-prototype.ipynb(110KB)
--------user-based-cf.ipynb(6KB)
--------customer2vec.ipynb(3.02MB)
--------deep-recommender.ipynb(5.66MB)
--------item2vec.ipynb(1.4MB)
--------item-based-cf.ipynb(5KB)
--------factorization-sgd-neural.ipynb(84KB)