TensorHouse仓库介绍

飞翔的七彩蜗牛

已于 2023-06-18 20:56:56 修改

阅读量326

点赞数 1

分类专栏：因果推断收益管理机器学习实战文章标签：学习机器学习

于 2023-06-18 20:56:26 首次发布

本文链接：https://blog.csdn.net/as472780551/article/details/131173378

版权

因果推断同时被 3 个专栏收录

27 篇文章 33 订阅

订阅专栏

机器学习实战

3 篇文章 0 订阅

订阅专栏

收益管理

2 篇文章 0 订阅

订阅专栏

1 TensorHouse介绍

代码仓库：GitHub - ikatsov/tensor-house: A collection of reference machine learning and optimization models for enterprise operations: marketing, pricing, supply chain

TensorHouse 是用于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线实施。

该项目侧重于最初由行业从业者或学术研究人员与技术、零售、制造和其他领域的领先公司合作开发的模型、技术和数据集。换句话说，TensorHouse 主要侧重于经过行业验证的方法和模型，而不是理论研究。

TensorHouse 包含以下资源：

一个有据可查的参考模型实现库，
一份人工整理的现代运筹学重要论文清单，
与企业用例相关的手动整理的公共数据集列表。

2 说明性例子

使用强化学习进行战略性价格优化：
DQN 学习在正常价格和折扣价格之间切换的 Hi-Lo 定价策略

使用强化学习优化供应链：
World Of Supply 模拟环境

3模型列表

促销和广告
- 媒体组合建模：用于活动/渠道归因的基本 Adstock 模型（笔记本）
- 媒体混合建模：具有携带和饱和效应的贝叶斯模型（笔记本）
- 使用上下文强盗 (LinUCB) 的动态内容个性化（笔记本）
- 使用马尔可夫链的客户生命周期价值 (LTV) 建模（笔记本）
- Next Best Action Model Using Reinforcement Learning (Fitted Q Iteration) (笔记本)
- 使用深度学习的多点触控通道归因模型（带注意力的 LSTM）（笔记本）
- 使用深度学习的客户倾向评分（带注意力的 LSTM）（笔记本）
搜索
- 潜在语义分析（LSA）（笔记本）
- 按艺术风格进行视觉搜索 (VGG16)（笔记本）
- 基于产品类型的视觉搜索 (EfficientNetB0)（笔记本）
- 使用 Variational Autoeconders 的视觉搜索（笔记本）
- 使用语言-图像模型 (CLIP) 进行图像搜索（笔记本）
建议
- 基于最近邻用户的协同过滤（笔记本）
- 基于最近邻项的协同过滤（笔记本）
- 使用 NLP 方法的 Item2Vec 模型（word2vec）（笔记本）
- 使用 NLP 方法的 Customer2Vec 模型 (doc2vec)（笔记本）
- 神经协同过滤 - 原型（笔记本）
- 神经协同过滤 - 混合推荐（笔记本）
- 行为序列转换器（笔记本）
- 使用 Node2Vec 的图形推荐器（笔记本）
需求预测
- 使用指数平滑 (ETS) 进行需求预测（笔记本）
- 使用时间序列回归进行需求预测和价格弹性分析（笔记本）
- 使用 DeepAR 进行需求预测（笔记本）
- 使用 NeuralProphet 进行需求预测（笔记本）
- Demand Uncostraining（笔记本）
定价和分类
- 市场反应函数（笔记本）
- 多种产品的价格优化（笔记本）
- 多个时间间隔的价格优化（笔记本）
- 使用 Thompson 抽样的动态定价（笔记本）
- 有限价格实验的动态定价（笔记本）
- 贝叶斯需求模型（笔记本）
- 使用强化学习 (DQN) 进行价格优化（笔记本）
供应链
- 使用 (s,Q) 和 (R,S) 策略的单级库存优化（笔记本）
- 使用强化学习的多级库存优化（DDPG，TD3）（笔记本）
- 用于基于强化学习的优化 (PPO) 的供应链模拟器（笔记本）
- 库存分配（笔记本）
异常检测
- 使用线性自动编码器 (PCA) 降低多变量定时器序列中的噪声（笔记本）
- 使用卷积网络预测剩余使用寿命（笔记本）
- 时间序列中的异常检测（笔记本）
- 使用自动编码器进行图像异常检测（笔记本）

4基本组件

通用回归和分类模型
- 带向量输入的神经网络（笔记本）
- 具有顺序输入的神经网络（ConvNet、LSTM、注意力）（笔记本）
企业时间序列分析
- 使用 ARIMA 和 SARIMA 进行预测（笔记本 1 2）
- 使用贝叶斯结构时间序列 (BSTS) 进行分解和预测（笔记本 1 2 3 4）
- 使用梯度提升决策树 (GBDT) 进行预测和分解（笔记本）
- 使用带注意力的 LSTM 进行预测和分解（笔记本）
- 使用 VAR/VEC 模型进行预测和分解（笔记本 1 2）

5方法

最基本的模型来自《算法营销导论》一书。
- 本书的网站 - Book
更高级的模型使用企业 AI 理论与实践一书中的深度学习和强化学习技术。
- 本书的网站 - The Theory and Practice of Enterprise AI - Book
大多数模型都基于工业报告和真实案例研究