tensor-house

项目介绍：TensorHouse

什么是 TensorHouse？

TensorHouse 是一个专为企业应用场景而设计的 Jupyter notebook 参考合集和 AI/ML（人工智能/机器学习）示例应用程序。这些应用涵盖了多个场景，包括市场营销、定价、供应链以及智能制造等。项目旨在提供一整套工具包，方便企业快速评估准备情况、探索数据分析，并为典型的企业级 AI/ML 数据科学项目原型制作各种建模方案。

TensorHouse 提供以下资源：

• 详细记录的参考 notebook 和示范应用程序（原型）。
• 针对典型企业 AI/ML 项目的准备评估和需求收集问卷。
• 数据集、数据生成器和模拟器，用于快速原型制作和模型评估。

TensorHouse 重点关注业内验证过的解决方案，利用深度学习、强化学习和因果推断等方法和模型。大多数解决方案均由业界从业者或与顶尖技术公司、零售企业及制造部门合作的学术研究人员开发。

TensorHouse 如何帮助企业？

TensorHouse 能够加速解决方案开发的以下步骤：

1. 通过问卷和因果推断模板，从数据、集成和流程等角度快速评估特定用例的准备情况。
2. 为您的用例选择候选方法和模型，并使用模拟器和示例数据集对其进行评估和定制。
3. 在您的数据上评估候选方法和模型，构建原型，并向相关方展示初步结果。

TensorHouse 使用了哪些库？

所有的原型和模板均使用 Python 实现，主要采用以下标准库：

• 深度学习：主要使用 TensorFlow，部分原型使用 PyTorch
• 强化学习：RLlib
• 因果推断：DoWhy、EconML
• 概率编程 / 贝叶斯推断：PyMC
• 生成式 AI: LangChain
• 传统 ML：statsmodels、scikit-learn、LightGBM
• 基础库：NumPy、pandas、matplotlib、seaborn

示例应用

强化学习的战略定价优化

通过深度 Q 网络(DQN)学习的高低定价策略，可在常规和折扣价之间切换，以优化收益。

利用强化学习进行供应链优化

DQN 学习如何在模拟环境中进行采购和物流管理，以优化供应链。

大型语言模型的供应链管理

大型语言模型动态编写 Python 脚本，通过调用多个 API 来回答用户问题。

使用自动编码器进行图像异常检测

深度自动编码器产生图像重建，以促进缺陷位置的检测。

原型和模板列表

TensorHouse 提供的工件可以帮助快速评估不同解决方案，并使用您的数据集构建原型。工件标记如下：

• 🧪：特别适合进行探索性数据分析，评估数据中的因果效应，并确定这些数据是否适合解决某个用例
• 🚀：概念原型使用了高级方法，不一定适合产品化
• 📚：notebook 主要用于教育目的，展示基本算法

以下是一些应用领域及其相应的示例：

促销、优惠和广告

• 深度学习客户倾向评分（LSTM with Attention）。
• 基于观察数据的客户层级提升建模及因果推断。
• 马尔可夫链法用于客户终身价值估算。
• 动态内容个性化和下一步最佳行动模型。

市场营销、客户行为与内容分析

• 使用变形金刚进行情感分析和虚拟焦点小组分析。
• 客户购买行为的 RFM 分析。
• 使用 LSTM/变形金刚进行客户行为模式分析。

搜索

• 企业搜索、产品目录搜索及图像搜索解决方案。
• 使用 LLM 进行关系数据查询和产品属性提取。

推荐系统

• 协同过滤和深度混合推荐器。
• 行为序列变压器和图推荐（Node2Vec）。

需求预测

• 使用指数平滑、ARIMA/SARIMAX 和广义线性模型的传统方法。
• 借助 DeepAR 及 NeuralProphet 的深度学习方法。
• 贝叶斯需求模型。

定价与组合

• 市场响应函数和多产品、多时间区间的价格优化。
• 使用强化学习进行动态定价。

供应链

• 单层次与多层次库存优化。
• 利用 LLM 的供应链控制塔。

智能制造

• 使用线性自动编码器进行多变量时间序列降噪。
• 使用卷积网络预测剩余使用寿命和时间序列中的异常检测。

TensorHouse 项目还包含针对典型 AI/ML 项目的问卷列表，以帮助评估准备情况和收集需求，从而创建路线图和预估。

文档与学习资源

• 更基础的模型在《算法市场营销入门》中介绍。
• 《企业 AI 的理论与实践》中描述了使用深度学习和强化学习技术的高级模型。

TensorHouse 是一个不断发展的项目，真诚欢迎社区贡献，包括新用例的实现、现有用例的高级功能以及文档的改进等。