فلش‌کارت‌های آموزشی کاربرد فناوری‌های یادگیری ماشین در پیش‌بینی تقاضا و عرضه

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کاربرد فناوری‌های یادگیری ماشین در پیش‌بینی تقاضا و عرضه

موضوع کلی: امنیت غذایی و کشاورزی پایدار

موضوع میانی: شفافیت و ردیابی در زنجیره تامین مواد غذایی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری ماشین
• 2. مقدمه ای بر پیش بینی تقاضا
• 3. مقدمه ای بر پیش بینی عرضه
• 4. ارتباط یادگیری ماشین با پیش بینی تقاضا و عرضه
• 5. مزایای استفاده از یادگیری ماشین در پیش بینی
• 6. چالش های استفاده از یادگیری ماشین در پیش بینی
• 7. انواع الگوریتم های یادگیری ماشین برای پیش بینی
• 8. یادگیری نظارت شده
• 9. یادگیری بدون نظارت
• 10. یادگیری تقویتی
• 11. یادگیری عمیق
• 12. رگرسیون خطی
• 13. رگرسیون چند جمله ای
• 14. رگرسیون لجستیک
• 15. ماشین بردار پشتیبان (SVM)
• 16. درختان تصمیم
• 17. جنگل های تصادفی
• 18. تقویت گرادیان (Gradient Boosting)
• 19. شبکه های عصبی پرسپترون چند لایه (MLP)
• 20. شبکه های عصبی کانولوشنی (CNN)
• 21. شبکه های عصبی بازگشتی (RNN)
• 22. حافظه طولانی کوتاه مدت (LSTM)
• 23. واحد بازگشتی دروازه ای (GRU)
• 24. مدل های سری زمانی
• 25. ARIMA
• 26. SARIMA
• 27. Exponential Smoothing
• 28. Prophet
• 29. مدل های مبتنی بر رگرسیون
• 30. مدل های مبتنی بر درخت
• 31. مدل های مبتنی بر شبکه عصبی
• 32. مدل های ترکیبی (Ensemble Models)
• 33. پردازش و آماده سازی داده ها
• 34. جمع آوری داده ها
• 35. پاکسازی داده ها
• 36. مهندسی ویژگی (Feature Engineering)
• 37. انتخاب ویژگی (Feature Selection)
• 38. مقیاس بندی داده ها (Data Scaling)
• 39. تقسیم داده ها به مجموعه های آموزشی، اعتبارسنجی و آزمون
• 40. ارزیابی مدل های پیش بینی
• 41. معیارهای ارزیابی رگرسیون
• 42. میانگین مربعات خطا (MSE)
• 43. ریشه میانگین مربعات خطا (RMSE)
• 44. میانگین قدر مطلق خطا (MAE)
• 45. میانگین خطای درصدی مطلق (MAPE)
• 46. R-squared
• 47. معیارهای ارزیابی طبقه بندی (در صورت نیاز به پیش بینی دسته ای)
• 48. دقت (Accuracy)
• 49. دقت (Precision)
• 50. بازیابی (Recall)
• 51. امتیاز F1
• 52. مقدمه ای بر پیش بینی تقاضا
• 53. انواع تقاضا (ثابت، فصلی، ترند، تصادفی)
• 54. عوامل موثر بر تقاضا (قیمت، تبلیغات، فصل، رویدادها، رقبا)
• 55. روش های سنتی پیش بینی تقاضا
• 56. تحلیل سری زمانی
• 57. شاخص های اقتصادی
• 58. تحلیل رگرسیون
• 59. محدودیت های روش های سنتی
• 60. کاربرد یادگیری ماشین در پیش بینی تقاضا
• 61. مدل های یادگیری ماشین برای پیش بینی تقاضا
• 62. پیش بینی تقاضای خرده فروشی
• 63. پیش بینی تقاضای محصولات
• 64. پیش بینی تقاضای خدمات
• 65. پیش بینی تقاضای انرژی
• 66. پیش بینی تقاضای حمل و نقل
• 67. پیش بینی تقاضای آب و هوا
• 68. مطالعه موردی: پیش بینی تقاضای خرده فروشی با استفاده از LSTM
• 69. مطالعه موردی: پیش بینی تقاضای انرژی با استفاده از Gradient Boosting
• 70. مقدمه ای بر پیش بینی عرضه
• 71. انواع عرضه (ثابت، متغیر، فصلی)
• 72. عوامل موثر بر عرضه (ظرفیت تولید، هزینه مواد اولیه، نیروی کار، شرایط آب و هوایی، سیاست ها)
• 73. روش های سنتی پیش بینی عرضه
• 74. تحلیل ظرفیت تولید
• 75. تحلیل هزینه ها
• 76. مدل های اقتصادی
• 77. محدودیت های روش های سنتی
• 78. کاربرد یادگیری ماشین در پیش بینی عرضه
• 79. مدل های یادگیری ماشین برای پیش بینی عرضه
• 80. پیش بینی عرضه محصولات کشاورزی
• 81. پیش بینی عرضه مواد اولیه
• 82. پیش بینی عرضه نیروی کار
• 83. پیش بینی عرضه انرژی
• 84. پیش بینی عرضه خدمات
• 85. پیش بینی عرضه حمل و نقل
• 86. مطالعه موردی: پیش بینی عرضه محصولات کشاورزی با استفاده از Random Forest
• 87. مطالعه موردی: پیش بینی عرضه انرژی با استفاده از شبکه های عصبی
• 88. ادغام پیش بینی تقاضا و عرضه
• 89. اهمیت ادغام
• 90. مدل های یادگیری ماشین برای ادغام
• 91. پیش بینی تقاضا و عرضه به صورت همزمان
• 92. مدل های حلقه بسته (Closed-loop models)
• 93. مدل های بهینه سازی مبتنی بر پیش بینی
• 94. کاربرد در مدیریت زنجیره تامین
• 95. بهینه سازی موجودی
• 96. برنامه ریزی تولید
• 97. برنامه ریزی توزیع
• 98. مدیریت ریسک
• 99. مطالعه موردی: بهینه سازی موجودی با استفاده از پیش بینی تقاضا و عرضه
• 100. پیاده سازی عملی سیستم های پیش بینی