کتاب صوتی پیش‌بینی نیازهای انبار با استفاده از شبکه‌های عصبی و سری‌های زمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی نیازهای انبار با استفاده از شبکه‌های عصبی و سری‌های زمانی

موضوع کلی: هوش مصنوعی در لجستیک و انبارداری

موضوع میانی: هوش مصنوعی در بهینه‌سازی لجستیک و انبارداری برای استفاده از ابزارهای هوشمند برای مدیریت و بهینه‌سازی فرآیندهای انبارداری مواد اولیه در صنایع داروسازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پیش‌بینی نیازهای انبار در صنایع داروسازی
• 2. اهمیت پیش‌بینی تقاضا در زنجیره تامین دارو
• 3. مبانی سری‌های زمانی و کاربرد آن در پیش‌بینی
• 4. آشنایی با داده‌های سری زمانی در انبارداری دارو
• 5. پاکسازی و پیش‌پردازش داده‌های سری زمانی
• 6. شناسایی و برخورد با داده‌های پرت (Outliers)
• 7. روش‌های تجزیه سری‌های زمانی: روند، فصلی بودن، تصادفی بودن
• 8. معیارهای ارزیابی مدل‌های سری زمانی
• 9. مدل‌های کلاسیک سری زمانی: میانگین متحرک
• 10. مدل‌های کلاسیک سری زمانی: هموارسازی نمایی
• 11. مدل‌های کلاسیک سری زمانی: ARIMA
• 12. درک مفهوم شبکه‌های عصبی مصنوعی
• 13. معماری‌های پایه شبکه‌های عصبی: MLP، CNN، RNN
• 14. شبکه‌های عصبی بازگشتی (RNN) و کاربرد در سری‌های زمانی
• 15. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 16. شبکه‌های گیت‌دار بازگشتی (GRU)
• 17. آماده‌سازی داده‌ها برای شبکه‌های عصبی
• 18. نرمال‌سازی و استانداردسازی داده‌ها
• 19. طراحی و پیاده‌سازی مدل LSTM برای پیش‌بینی
• 20. طراحی و پیاده‌سازی مدل GRU برای پیش‌بینی
• 21. تنظیم هایپرپارامترهای شبکه‌های عصبی
• 22. اعتبارسنجی مدل‌های شبکه‌های عصبی
• 23. ارزیابی عملکرد مدل‌های شبکه‌های عصبی: RMSE، MAE، MAPE
• 24. مقایسه مدل‌های سری زمانی کلاسیک و شبکه‌های عصبی
• 25. انتخاب مدل مناسب بر اساس داده‌ها و نیازها
• 26. پیاده‌سازی مدل پیش‌بینی در محیط واقعی انبار
• 27. اتوماسیون فرآیند پیش‌بینی با استفاده از پایتون
• 28. استفاده از کتابخانه‌های پایتون: Pandas, NumPy, Scikit-learn, TensorFlow/Keras
• 29. تجسم و تحلیل نتایج پیش‌بینی
• 30. ارائه گزارش‌های پیش‌بینی به مدیران انبار
• 31. بهینه‌سازی سطوح موجودی با استفاده از پیش‌بینی
• 32. کاهش هزینه‌های انبارداری با پیش‌بینی دقیق
• 33. مدیریت ریسک در زنجیره تامین دارو با پیش‌بینی
• 34. تاثیر پیش‌بینی بر برنامه‌ریزی تولید
• 35. یکپارچه‌سازی مدل پیش‌بینی با سیستم‌های ERP
• 36. پیش‌بینی تقاضای چند محصولی
• 37. پیش‌بینی تقاضای محصولات جدید
• 38. پیش‌بینی تقاضا با در نظر گرفتن عوامل خارجی (تبلیغات، رویدادها)
• 39. استفاده از داده‌های تاریخی فروش و موجودی
• 40. پیش‌بینی نیازهای انبار در شرایط بحرانی (همه‌گیری، بلایای طبیعی)
• 41. استفاده از داده‌های حسگرها و اینترنت اشیا (IoT) در پیش‌بینی
• 42. استفاده از یادگیری تقویتی برای بهینه‌سازی استراتژی‌های انبارداری
• 43. آینده پیش‌بینی نیازهای انبار با استفاده از هوش مصنوعی