Applications of Machine Learning and Data Analytics Models in Maritime Transportation

یادگیری ماشین و تجزیه و تحلیل داده ها می تواند برای اطلاع رسانی تصمیمات فنی، تجاری و مالی در صنعت دریایی استفاده شود. کاربردهای یادگیری ماشینی و مدل های تجزیه و تحلیل داده ها در حمل و نقل دریایی اصول اساسی تجزیه و تحلیل مسائل عملی مرتبط با حمل و نقل دریایی را با استفاده از مدل های داده محور، با تمرکز ویژه بر یادگیری ماشین بررسی می کند.

روش‌ها، فناوری‌ها و کاربردهای مبتنی بر داده در حمل‌ونقل دریایی به طور واضح و مختصر توضیح داده شده‌اند و مطالعات موردی چالش‌ها و راه‌حل‌های دریایی معمولی نیز گنجانده شده‌اند. نویسندگان با مقدمه‌ای بر حمل‌ونقل دریایی شروع می‌کنند، و سپس فصل‌هایی که مروری بر بازرسی کشتی توسط کنترل دولت بندر و اصول مدل‌های مبتنی بر داده ارائه می‌دهند، ارائه می‌کنند. فصول بعدی مدل‌های رگرسیون خطی، شبکه‌های بیزی، ماشین‌های بردار پشتیبان، شبکه‌های عصبی مصنوعی، مدل‌های مبتنی بر درخت، یادگیری قوانین ارتباطی، تحلیل خوشه‌ای، رویکردهای کلاسیک و نوظهور برای حل مشکلات عملی در حمل‌ونقل دریایی، ترکیب دانش حوزه حمل و نقل در داده‌محور را پوشش می‌دهند. مدل ها، توضیح مدل های جعبه سیاه ML در حمل و نقل دریایی، بهینه سازی خطی، بهینه سازی خطی پیشرفته و بهینه سازی اعداد صحیح. فصل پایانی یک نمای کلی از پوشش ارائه می دهد و احتمالات آینده را در این زمینه بررسی می کند.

این کتاب به ویژه برای محققان و متخصصان با تخصص موجود در تحقیقات دریایی که مایل به یادگیری هستند مفید خواهد بود. چگونه می توان تجزیه و تحلیل داده و یادگیری ماشین را در زمینه خود اعمال کرد.

Machine learning and data analytics can be used to inform technical, commercial and financial decisions in the maritime industry. Applications of Machine Learning and Data Analytics Models in Maritime Transportation explores the fundamental principles of analysing maritime-transportation related practical problems using data-driven models, with a particular focus on machine learning.

Data-enabled methodologies, technologies, and applications in maritime transportation are clearly and concisely explained, and case studies of typical maritime challenges and solutions are also included. The authors begin with an introduction to maritime transportation, followed by chapters providing an overview of ship inspection by port state control, and the principles of data driven models. Further chapters cover linear regression models, Bayesian networks, support vector machines, artificial neural networks, tree-based models, association rule learning, cluster analysis, classic and emerging approaches to solving practical problems in maritime transport, incorporating shipping domain knowledge into data-driven models, explanation of black-box ML models in maritime transport, linear optimization, advanced linear optimization, and integer optimization. A concluding chapter provides an overview of coverage and explores future possibilities in the field.

The book will be especially useful to researchers and professionals with existing expertise in maritime research who wish to learn how to apply data analytics and machine learning to their field.