دوره کاربرد داده‌های هوشمند در بهبود دقت مدل‌های پیش‌بینی عرضه همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کاربرد داده‌های هوشمند در بهبود دقت مدل‌های پیش‌بینی عرضه

موضوع کلی: امنیت غذایی و کشاورزی پایدار

موضوع میانی: پیش‌بینی تقاضا و عرضه محصولات کشاورزی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه بر داده‌های هوشمند
• 2. تعریف داده‌های هوشمند
• 3. انواع داده‌های هوشمند
• 4. اهمیت داده‌های هوشمند در پیش‌بینی عرضه
• 5. چرخه عمر داده‌های هوشمند
• 6. مراحل جمع‌آوری داده‌های هوشمند
• 7. منابع داده‌های هوشمند
• 8. داده‌های داخلی سازمان
• 9. داده‌های خارجی (بازار، اقتصادی، آب و هوایی)
• 10. داده‌های شبکه‌های اجتماعی
• 11. داده‌های اینترنت اشیاء (IoT)
• 12. داده‌های سنسورها
• 13. داده‌های تراکنش‌ها
• 14. داده‌های موقعیت مکانی
• 15. داده‌های رفتار مشتری
• 16. داده‌های رقبا
• 17. داده‌های زنجیره تأمین
• 18. داده‌های لجستیک
• 19. داده‌های تولید
• 20. داده‌های انبارداری
• 21. داده‌های فروش
• 22. داده‌های بازاریابی
• 23. داده‌های قیمت‌گذاری
• 24. داده‌های نظرات مشتریان
• 25. داده‌های اخبار و رویدادها
• 26. کیفیت داده‌های هوشمند
• 27. اهمیت کیفیت داده‌ها
• 28. پاکسازی داده‌ها
• 29. اعتبارسنجی داده‌ها
• 30. کشف و مدیریت داده‌های پرت
• 31. یکپارچه‌سازی داده‌ها
• 32. تبدیل داده‌ها
• 33. مهندسی ویژگی (Feature Engineering)
• 34. شناخت ویژگی‌های مرتبط با عرضه
• 35. ایجاد ویژگی‌های جدید از داده‌های موجود
• 36. انتخاب ویژگی‌های مهم
• 37. ارتباط ویژگی‌ها با مدل‌های پیش‌بینی
• 38. مقدمه بر مدل‌های پیش‌بینی عرضه
• 39. انواع مدل‌های پیش‌بینی عرضه
• 40. مدل‌های سری زمانی (Time Series Models)
• 41. ARIMA
• 42. Exponential Smoothing
• 43. Prophet
• 44. مدل‌های رگرسیونی (Regression Models)
• 45. Linear Regression
• 46. Polynomial Regression
• 47. Ridge Regression
• 48. Lasso Regression
• 49. مدل‌های یادگیری ماشین (Machine Learning Models)
• 50. Decision Trees
• 51. Random Forests
• 52. Gradient Boosting Machines (XGBoost, LightGBM)
• 53. Support Vector Machines (SVM)
• 54. شبکه‌های عصبی (Neural Networks)
• 55. LSTM
• 56. مدل‌های ترکیبی (Ensemble Models)
• 57. ترکیب مدل‌های مختلف
• 58. مدل‌های یادگیری عمیق (Deep Learning Models)
• 59. کاربرد داده‌های هوشمند در پیش‌پردازش داده‌ها
• 60. استفاده از داده‌های هوشمند برای شناسایی الگوهای تاریخی
• 61. شناسایی روندها (Trends)
• 62. شناسایی فصلی بودن (Seasonality)
• 63. شناسایی چرخه‌ها (Cycles)
• 64. شناسایی عوامل تأثیرگذار خارجی
• 65. استفاده از داده‌های هوشمند برای غنی‌سازی داده‌ها
• 66. افزودن اطلاعات جمعیت‌شناختی
• 67. افزودن اطلاعات اقتصادی
• 68. افزودن اطلاعات آب و هوایی
• 69. افزودن اطلاعات مربوط به رویدادها
• 70. کاربرد داده‌های هوشمند در انتخاب و مهندسی ویژگی
• 71. شناسایی ویژگی‌های پیش‌بینی‌کننده قوی
• 72. اثرات رویدادهای خارجی بر عرضه
• 73. تأثیر تغییرات آب و هوایی بر عرضه
• 74. تأثیر روندهای بازار بر عرضه
• 75. تأثیر فعالیت‌های رقبا بر عرضه
• 76. تأثیر تغییرات قیمت مواد اولیه بر عرضه
• 77. تأثیر سیاست‌های دولتی بر عرضه
• 78. تأثیر رفتار مصرف‌کننده بر عرضه
• 79. استفاده از داده‌های هوشمند برای بهبود الگوریتم‌های مدل‌سازی
• 80. تنظیم پارامترهای مدل (Hyperparameter Tuning) با استفاده از داده‌های هوشمند
• 81. اعتبار سنجی متقابل (Cross-validation) با رویکرد داده‌محور
• 82. انتخاب بهترین معماری مدل بر اساس داده‌ها
• 83. کاربرد داده‌های هوشمند در ارزیابی مدل‌های پیش‌بینی عرضه
• 84. معیارهای ارزیابی مدل
• 85. MAE, MSE, RMSE
• 86. MAPE, sMAPE
• 87. R-squared
• 88. استفاده از داده‌های هوشمند برای تفسیر نتایج مدل
• 89. شناسایی عوامل کلیدی مؤثر بر پیش‌بینی
• 90. تحلیل حساسیت مدل به ورودی‌های مختلف
• 91. کاربرد داده‌های هوشمند در پایش و به‌روزرسانی مدل‌ها
• 92. پایش مداوم عملکرد مدل
• 93. شناسایی انحرافات (Drift) در داده‌ها
• 94. بازآموزی (Retraining) مدل با داده‌های جدید
• 95. به‌روزرسانی خودکار مدل‌ها
• 96. کاربرد داده‌های هوشمند در پیش‌بینی عرضه در صنایع مختلف
• 97. پیش‌بینی عرضه در صنعت خرده‌فروشی
• 98. پیش‌بینی عرضه در صنعت تولید
• 99. پیش‌بینی عرضه در صنعت کشاورزی
• 100. پیش‌بینی عرضه در صنعت انرژی