- Data Science
- data forecasting
- Machine Learning
- Data Analysis
- Supply Chain
- Pandas
- Numpy
- Linear Programming (LP)
- Python Programming
- Autoregressive Integrated Moving Average (ARIMA)
- Time Series
- Demand Forecasting
Spezialisierung Machine Learning for Supply Chains
Use Machine Learning in the Supply Chain. You will learn to use machine language techniques to analyze and predict retail stock in the supply chain.
von
Was Sie lernen werden
Learn to merge, clean, and manipulate data using Python libraries such as Numpy and Pandas
Gain familiarity with the basic and advaned Python functonalities such as importing and using modules, list compreohensions, and lambda functions.
Solve a supply chain cost optimization problem using Linear Programming with Pulp
Building ARIMA models in Python to make demand predictions
Kompetenzen, die Sie erwerben
Über dieses Spezialisierung
2.746 kürzliche Aufrufe
This specialization is intended for students who wish to use machine language to analyze and predict product usage and other similar tasks. There is no specific prerequisite but some general knowledge of supply chain will be helpful, as well as general statistics and calculus.
Praktisches Lernprojekt
You will learn and practice skills as you go through each of the courses, using the Coursera lab environment. The final course is a capstone project where you will analyze data and make predictions about retail product usage, and then calculate optimal safety stock storage.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
Kurse, die komplett online stattfinden
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexibler Zeitplan
Festlegen und Einhalten flexibler Termine.
Stufe „Mittel“
There is no specific prerequisite but some general knowledge of supply chain will be helpful, as well as general statistics and calculus.
Etwa 3 Monate bis zum Abschluss
Empfohlenes Lerntempo: 5 Stunden/Woche
Englisch
Untertitel: Englisch
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
Kurse, die komplett online stattfinden
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexibler Zeitplan
Festlegen und Einhalten flexibler Termine.
Stufe „Mittel“
There is no specific prerequisite but some general knowledge of supply chain will be helpful, as well as general statistics and calculus.
Etwa 3 Monate bis zum Abschluss
Empfohlenes Lerntempo: 5 Stunden/Woche
Englisch
Untertitel: Englisch
So funktioniert die Spezialisierung
Kurse absolvieren
Eine Coursera-Spezialisierung ist eine Reihe von Kursen, in denen Sie eine Kompetenz erwerben. Um zu beginnen, melden Sie sich direkt für die Spezialisierung an oder überprüfen Sie deren Kurse und wählen Sie denjenigen Kurs aus, mit dem Sie beginnen möchten. Wenn Sie einen Kurs abonnieren, der Bestandteil einer Spezialisierung ist, abonnieren Sie automatisch die gesamte Spezialisierung Es ist in Ordnung, wenn Sie nur einen Kurs absolvieren möchten — Sie können Ihren Lernprozess jederzeit unterbrechen oder Ihr Abonnement kündigen. Gehen Sie zu Ihrem Lernender-Dashboard, um Ihre Kursanmeldungen und Ihren Fortschritt zu verfolgen.
Praxisprojekt
Jede Spezialisierung umfasst ein Praxisprojekt. Sie müssen das Projekt/die Projekte erfolgreich abschließen, um die Spezialisierung abzuschließen und Ihr Zertifikat zu erwerben. Wenn die Spezialisierung einen separaten Kurs für das Praxisprojekt umfasst, müssen Sie zunächst alle anderen Kurse abschließen, bevor Sie damit beginnen können.
Zertifikat erwerben
Wenn Sie alle Kurse und das Praxisprojekt abgeschlossen haben, erhalten Sie ein Zertifikat, dass Sie für potenzielle Arbeitgeber und Ihr berufliches Netzwerk freigeben können.
Es gibt 4 Kurse in dieser Spezialisierung
Fundamentals of Machine Learning for Supply Chain
12 Bewertungen
This course will teach you how to leverage the power of Python to understand complicated supply chain datasets. Even if you are not familiar with supply chain fundamentals, the rich data sets that we will use as a canvas will help orient you with several Pythonic tools and best practices for exploratory data analysis (EDA). As such, though all datasets are geared towards supply chain minded professionals, the lessons are easily generalizable to other use cases.
Demand Forecasting Using Time Series
This course is the second in a specialization for Machine Learning for Supply Chain Fundamentals. In this course, we explore all aspects of time series, especially for demand prediction. We'll start by gaining a foothold in the basic concepts surrounding time series, including stationarity, trend (drift), cyclicality, and seasonality. Then, we'll spend some time analyzing correlation methods in relation to time series (autocorrelation). In the 2nd half of the course, we'll focus on methods for demand prediction using time series, such as autoregressive models. Finally, we'll conclude with a project, predicting demand using ARIMA models in Python.
Advanced AI Techniques for the Supply Chain
In this course, we’ll learn about more advanced machine learning methods that are used to tackle problems in the supply chain. We’ll start with an overview of the different ML paradigms (regression/classification) and where the latest models fit into these breakdowns. Then, we’ll dive deeper into some of the specific techniques and use cases such as using neural networks to predict product demand and random forests to classify products. An important part to using these models is understanding their assumptions and required preprocessing steps. We’ll end with a project incorporating advanced techniques with an image classification problem to find faulty products coming out of a machine.
Capstone Project: Predicting Safety Stock
In this course, we'll make predictions on product usage and calculate optimal safety stock storage. We'll start with a time series of shoe sales across multiple stores on three different continents. To begin, we'll look for unique insights and other interesting things we can find in the data by performing groupings and comparing products within each store. Then, we'll use a seasonal autoregressive integrated moving average (SARIMA) model to make predictions on future sales. In addition to making predictions, we'll analyze the provided statistics (such as p-score) to judge the viability of using the SARIMA model to make predictions. Then, we'll tune the hyper-parameters of the model to garner better results and higher statistical significance. Finally, we'll make predictions on safety stock by looking to the data for monthly usage predictions and calculating safety stock from the formula involving lead times.
von
LearnQuest
LearnQuest is the preferred training partner to the world’s leading companies, organizations, and government agencies. Our team boasts 20+ years of experience designing, developing and delivering a full suite industry-leading technology education classes and training solutions across the globe. Our trainers, equipped with expert industry experience and an unparalleled commitment to quality, facilitate classes that are offered in various delivery formats so our clients can obtain the training they need when and where they need it.
Häufig gestellte Fragen
Wie erfolgen Rückerstattungen?
Kann ich mich auch nur für einen Kurs anmelden?
Ist finanzielle Unterstützung möglich?
Kann ich kostenlos an diesem Kurs teilnehmen?
Findet dieser Kurs wirklich ausschließlich online statt? Muss ich zu irgendwelchen Sitzungen persönlich erscheinen?
Wie lange dauert es, die Spezialisierung abzuschließen?
What background knowledge is necessary?
Do I need to take the courses in a specific order?
Erhalte ich akademische Leistungspunkte für den Abschluss der Spezialisierung?
What will I be able to do upon completing the Specialization?
Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.
