التنبؤ بمخاطر تلف المنتجات باستخدام Machine Learning

تحليل بيانات وتطوير نموذج Machine Learning للتنبؤ بمخاطر تلف المنتجات أثناء النقل :

قمت بتنفيذ مشروع لتحليل بيانات شحنات سلسلة التبريد (Cold Chain Logistics)، بهدف تحليل العوامل التي تؤثر على احتمالية تلف المنتجات أثناء عملية النقل، وبناء نماذج Machine Learning للتنبؤ بدرجة مخاطر التلف.

**ما تم تنفيذه في المشروع:**

* تحليل Dataset تحتوي على 400 سجل و14 متغيرًا.

* فحص جودة البيانات واكتشاف القيم المفقودة والقيم المتطرفة.

* تنفيذ عمليات Data Cleaning ومعالجة البيانات قبل بناء النماذج.

* إجراء Exploratory Data Analysis (EDA) باستخدام الرسوم البيانية والتحليلات الإحصائية.

* إنشاء Features جديدة لتحسين فهم البيانات، مثل:

* Temp Abuse Index

* Cooling Protection Ratio

* Load Stress Index

* دراسة العلاقة بين درجة الحرارة، الرطوبة، جودة التغليف، النظافة، مدة النقل وغيرها وبين مخاطر التلف.

* بناء ومقارنة عدة نماذج Machine Learning:

Linear Regression

Decision Tree Regressor

Support Vector Regressor (SVR)

Random Forest Regressor

* تقييم النماذج باستخدام MAE وMSE وRMSE وR² وغيرها من المقاييس.

* اختيار Random Forest كأفضل نموذج في المشروع، حيث حقق أفضل أداء مقارنة بالنماذج الأخرى، مع R² يقارب 0.80.

* استخراج أهم العوامل التي تؤثر على مخاطر تلف الشحنات وتقديم توصيات مبنية على النتائج.

الأدوات والتقنيات المستخدمة:

Python – Pandas – NumPy – Data Visualization – Exploratory Data Analysis – Feature Engineering – Scikit-learn – Machine Learning – Regression – Random Forest