کتاب پیش‌بینی هوشمند مصرف سوخت: از داده‌های جدولی تا مدل‌های زمانی پیشرفته

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پیش‌بینی هوشمند مصرف سوخت: از داده‌های جدولی تا مدل‌های زمانی پیشرفته

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: مدل‌سازی پیش‌بینانه برای بهینه‌سازی فرآیندهای صنعتی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مفاهیم پایه علم داده و یادگیری ماشین
• 2. آشنایی با داده‌های جدولی و سری‌های زمانی
• 3. مقدمه‌ای بر بهینه‌سازی فرآیندهای صنعتی با علم داده
• 4. مروری بر مقاله FuelCast و انگیزه آن
• 5. معرفی مصرف سوخت کشتی و عوامل موثر
• 6. جمع‌آوری و آماده‌سازی داده‌های مربوط به مصرف سوخت
• 7. روش‌های پاکسازی و پیش‌پردازش داده‌های نامرتب
• 8. مهندسی ویژگی: استخراج ویژگی‌های مرتبط از داده‌های خام
• 9. تبدیل داده‌های جدولی به فرمت مناسب برای مدل‌سازی
• 10. بررسی توزیع داده‌ها و شناسایی الگوهای مهم
• 11. تجزیه و تحلیل آماری داده‌های مصرف سوخت
• 12. مصورسازی داده‌ها برای کشف روابط و روندها
• 13. مقدمه‌ای بر مدل‌های رگرسیونی برای پیش‌بینی
• 14. رگرسیون خطی: مبانی و کاربردها
• 15. رگرسیون چندگانه و انتخاب ویژگی
• 16. ارزیابی مدل‌های رگرسیونی: معیارهای خطا
• 17. مقدمه‌ای بر مدل‌های درختی
• 18. درخت تصمیم: ساختار و الگوریتم‌ها
• 19. جنگل تصادفی: مزایا و معایب
• 20. گرادیان بوستینگ ماشین‌ها: XGBoost, LightGBM, CatBoost
• 21. بهینه‌سازی هایپرپارامترهای مدل‌های درختی
• 22. ارزیابی و مقایسه مدل‌های درختی
• 23. مقدمه‌ای بر شبکه‌های عصبی
• 24. شبکه‌های عصبی پیشخور: ساختار و آموزش
• 25. توابع فعال‌سازی و لایه‌های مخفی
• 26. روش‌های تنظیم‌سازی در شبکه‌های عصبی
• 27. بهینه‌سازی الگوریتم‌های آموزش شبکه‌های عصبی
• 28. شبکه‌های عصبی بازگشتی (RNN): مبانی و کاربردها
• 29. شبکه‌های حافظه بلندمدت (LSTM): معماری و عملکرد
• 30. واحد بازگشتی دروازه‌دار (GRU): جایگزینی برای LSTM
• 31. مدل‌های ترکیبی RNN و LSTM برای پیش‌بینی
• 32. توجه (Attention) در شبکه‌های عصبی: مکانیسم و کاربرد
• 33. Transformer: معماری و کاربرد در پیش‌بینی سری‌های زمانی
• 34. مقدمه‌ای بر داده‌های مکانی-زمانی
• 35. ترکیب داده‌های مکانی و زمانی در مدل‌سازی
• 36. ویژگی‌های مرتبط با موقعیت جغرافیایی کشتی
• 37. تاثیر شرایط آب و هوایی بر مصرف سوخت
• 38. ادغام داده‌های آب و هوایی در مدل‌های پیش‌بینی
• 39. استفاده از داده‌های AIS برای ردیابی مسیر کشتی
• 40. محاسبه فاصله و سرعت کشتی از داده‌های AIS
• 41. مهندسی ویژگی بر اساس داده‌های AIS
• 42. مدل‌سازی مصرف سوخت با استفاده از داده‌های مکانی-زمانی
• 43. پیش‌بینی چند مرحله‌ای (Multi-step forecasting)
• 44. روش‌های پیش‌بینی چند مرحله‌ای: مستقیم و بازگشتی
• 45. ارزیابی مدل‌های پیش‌بینی چند مرحله‌ای
• 46. مبانی یادگیری انتقال (Transfer Learning)
• 47. انتقال دانش از یک کشتی به کشتی دیگر
• 48. یادگیری انتقال در مدل‌های شبکه‌های عصبی
• 49. استفاده از داده‌های شبیه‌سازی برای افزایش داده‌ها
• 50. تکنیک‌های افزایش داده (Data Augmentation) برای سری‌های زمانی
• 51. بهینه‌سازی مدل‌ها برای استقرار در محیط عملیاتی
• 52. معیارهای عملکرد مدل در محیط واقعی
• 53. مانیتورینگ عملکرد مدل و تشخیص انحراف
• 54. روش‌های بازآموزی (Retraining) مدل
• 55. ملاحظات اخلاقی در استفاده از مدل‌های پیش‌بینی مصرف سوخت
• 56. حریم خصوصی و امنیت داده‌ها
• 57. تفسیرپذیری مدل‌ها (Explainable AI)
• 58. روش‌های تفسیرپذیری مدل‌های یادگیری ماشین
• 59. تفسیر اهمیت ویژگی‌ها در مدل‌های پیش‌بینی مصرف سوخت
• 60. کاربرد مدل‌های پیش‌بینی در تصمیم‌گیری‌های عملیاتی
• 61. بهینه‌سازی مسیر و سرعت کشتی با استفاده از پیش‌بینی‌ها
• 62. کاهش مصرف سوخت و آلایندگی با استفاده از مدل‌ها
• 63. معرفی ابزارهای متن‌باز برای مدل‌سازی داده‌ها
• 64. Python و کتابخانه‌های مرتبط (scikit-learn, TensorFlow, PyTorch)
• 65. استفاده از محیط‌های ابری برای آموزش مدل‌ها (Google Colab, AWS SageMaker)
• 66. استقرار مدل‌ها به عنوان سرویس وب (REST API)
• 67. مقدمه‌ای بر Docker و Containerization
• 68. پیاده‌سازی پایپ‌لاین‌های داده (Data Pipelines)
• 69. استفاده از سیستم‌های مدیریت ورژن (Git)
• 70. همکاری در پروژه‌های علم داده
• 71. مقدمه‌ای بر یادگیری عمیق هندسی (Geometric Deep Learning)
• 72. شبکه‌های عصبی گراف (Graph Neural Networks)
• 73. کاربرد GNN در مدل‌سازی سیستم‌های پیچیده
• 74. پیش‌بینی مصرف سوخت با استفاده از GNN
• 75. مبانی یادگیری تقویتی (Reinforcement Learning)
• 76. کاربرد RL در بهینه‌سازی مصرف سوخت
• 77. محیط شبیه‌سازی برای آموزش Agentهای RL
• 78. الگوریتم‌های RL برای بهینه‌سازی مسیر و سرعت
• 79. ارزیابی عملکرد Agentهای RL
• 80. ادغام یادگیری تقویتی با مدل‌های پیش‌بینی
• 81. مبانی محاسبات ابری (Cloud Computing)
• 82. استفاده از خدمات ابری برای پردازش داده‌های بزرگ
• 83. معماری‌های ابری برای استقرار مدل‌های یادگیری ماشین
• 84. مقایسه پلتفرم‌های ابری (AWS, Azure, GCP)
• 85. پردازش داده‌های جریانی (Streaming Data)
• 86. معماری‌های پردازش داده‌های جریانی
• 87. ادغام داده‌های جریانی با مدل‌های پیش‌بینی
• 88. تشخیص ناهنجاری در داده‌های مصرف سوخت
• 89. روش‌های تشخیص ناهنجاری (Anomaly Detection)
• 90. کاربرد تشخیص ناهنجاری در پیشگیری از مشکلات فنی
• 91. مانیتورینگ آنلاین مصرف سوخت و هشدارهای زودهنگام
• 92. مبانی بلاک‌چین (Blockchain)
• 93. کاربرد بلاک‌چین در مدیریت زنجیره تامین سوخت
• 94. شفافیت و امنیت داده‌ها با استفاده از بلاک‌چین
• 95. مقدمه‌ای بر اینترنت اشیا (IoT)
• 96. نقش IoT در جمع‌آوری داده‌های مصرف سوخت
• 97. یکپارچه‌سازی حسگرها و دستگاه‌های IoT
• 98. امنیت داده‌های IoT
• 99. کاربردهای هوش مصنوعی در صنعت کشتیرانی
• 100. خودکارسازی فرآیندهای عملیاتی با استفاده از هوش مصنوعی