#ثريد_لوجيستي
في هذا الثريد سنتحدث عن فرع من فروع الذكاء الاصطناعي وهو تعلم الآلة في إدارة سلاسل الإمداد
Machine Learning in Supply Chain Management
في هذا الثريد سنتحدث عن فرع من فروع الذكاء الاصطناعي وهو تعلم الآلة في إدارة سلاسل الإمداد
Machine Learning in Supply Chain Management
التعلم الآلي هو طريقة لتحليل البيانات والتنبؤ تعمل على أتمتة بناء النموذج التحليلي. فرع من فروع الذكاء الاصطناعي يعتمد على فكرة أن الأنظمة يمكنها التعلم من البيانات وتحديد الأنماط واتخاذ القرارات بأقل تدخل بشري.
كثير لا يعرفون أن هناك مسمى آخر لتعلم الآلة ألا وهو التعلم الإحصائي Statistical Learning
من حضر معي كورس "التحليل الإحصائي لسلاسل الإمداد" يعلم أننا تعرفنا على واحدة من أهم طرق التعلم الآلي وهي الإنحدار الخطي
Linear Regression
من حضر معي كورس "التحليل الإحصائي لسلاسل الإمداد" يعلم أننا تعرفنا على واحدة من أهم طرق التعلم الآلي وهي الإنحدار الخطي
Linear Regression
وهي دراسة تأثير متغير على متغير آخر مثل الأحوال الاقتصادية وتأثيرها على المبيعات أو معدل الدخل وتأثيره على حجم العملاء .... أو التنبؤ بأسعار النقل والماتريال في المستقبل باستخدام بيانات سابقة
والحاجة للذكاء الاصطناعي وبالتحديد تعلم الآلة أصبحت مطلوبة جدا بسبب تعقيد البيانات وكثرة العوامل الداخلية والخارجية التي تؤثر على الطلب والعملاء وتوافر العمالة وأسعار المكونات والمواد الخام وتوافر الخدمات اللوجيستية وغيرها .... ومحاولة التنبؤ بأي من تلك المتغيرات يتطلب معاملة غير
يتم تقسيم أنواع طرق تعلم الآلة لنوعين أولهما التعلم تحت الإشراف Supervised Learning ... وهو تدريب نموذج الذكاء الاصطناعي على بيانات معروفة ومحددة وبعد ذلك تتم عملية التنبؤ على بيانات شبيهة ويقوم النموذج بإنشاء علاقة بين البيانات باستخدام خوارزميات مختلفة.
النوع الثاني هو التعلم بدون إشراف أو التعلم الذاتي Supervised Learning وهي استخدام البيانات مباشرة بدون وجود بيانات سابقة معرفة ويحاول النموذج وصف العلاقة بين البيانات بطريقة مختلفة مثل استخدام خوارزميات التجميع.
أهم شيئ يجب عليك التركيز على تعلمه في البداية هو أنواع خوارزميات الذكاء الإصطناعي مثل:
⬇️
⬇️
• خوارزميات التصنيف: تعيين السجلات لمجموعات منفصلة محددة مسبقًا
• خوارزميات التجميع: تقسيم السجلات إلى مجموعات منفصلة على أساس التشابه. المجموعات غير معروفة مسبقًا
• خوارزميات الانحدار: التنبؤ بقيمة متغير مستمر أو منفصل
• خوارزميات التعلم المشترك: مراقبة القيم التي تظهر معًا
• خوارزميات التجميع: تقسيم السجلات إلى مجموعات منفصلة على أساس التشابه. المجموعات غير معروفة مسبقًا
• خوارزميات الانحدار: التنبؤ بقيمة متغير مستمر أو منفصل
• خوارزميات التعلم المشترك: مراقبة القيم التي تظهر معًا
أهمية معرفة أنواع الخوازميات ومعرفة متي تستخدم التقنية المناسبة يكون العامل الرئيسي في تحديد جودة النموذج.
يجب تدريب نماذج التعلم الآلي على مجموعة غير متحيزة من البيانات التي تمثل التباين في مجموعة البيانات الإجمالية.
يجب تدريب نماذج التعلم الآلي على مجموعة غير متحيزة من البيانات التي تمثل التباين في مجموعة البيانات الإجمالية.
يحدد التحيز عدم قدرة النموذج على التقاط الاتجاه الأساسي في البيانات. النماذج الأكثر تعقيدًا تقلل التحيز ولكنها تميل إلى زيادة التباين. يقيس التباين حساسية النموذج للتغييرات الصغيرة في مجموعة البيانات الأساسية.
مثاليا ، نريد تحيزًا منخفضًا وتباينًا منخفضًا ، ولكن هناك مفاضلة
مثاليا ، نريد تحيزًا منخفضًا وتباينًا منخفضًا ، ولكن هناك مفاضلة
نصيحة لكل محترف لسلاسل الإمداد البدء بدخول مجال علم البيانات لأن المستقبل هو لمحترفين سلاسل الإمداد القادرين على تحليل البيانات الضخمة Big Data والعارفين باستخدام وإنشاء قواعد البيانات الضخمة لاستيعاب التعقيد الموجود في سلاسل الإمداد الحالية
لهذا السبب قدمت دورة التحليل الإحصائي
لهذا السبب قدمت دورة التحليل الإحصائي
نهاية الثريد 🔚
طبتم وطابت أوقاتكم
طبتم وطابت أوقاتكم
جاري تحميل الاقتراحات...