- Обучение ML-моделей для потоварного предсказания спроса.
* Подводные камни в формировании обучающей выборки (балансировка, очистка данных). Подбор гиперпараметров и постобработка результатов.
* Кластеризация товаров и обучение разных типов моделей для разных типов товаров.
* Первые шаги с LSTM-сетями.

- ML-модель как фича для другой ML-модели.
Unsupervised-кластеризация временных рядов продаж товаров для создания размеченной выборки для обучения supervised-классификации товаров без истории продаж.

- Оптимизация цен товаров для максимизации оборота с ограничением по марже.
Применение моделей предсказания продаж в оптимизации цен. Линеаризация сложной модели для ускорения работы оптимизатора.

- Математика и теория вероятностей в процессах пополнения складов.
Оценка распределений ошибок прогноза, ошибок поставок (опоздания, "недовозы" поставщиков). Расчет страховых запасов на основе полученных распределений.

- Замкнутый цикл разработки ML-решений для продакшна.
feature engineering -> model selection -> training -> results evaluation -> feature engineering -> ...