Professional Documents
Culture Documents
tạo ra và việc xử
lý các hóa chất độc hại không đúng cách đã dẫn đến tác hại nghiêm trọng đến môi trường mà các tổ
chức doanh nghiệp phải gánh chịu. Các doanh nghiệp vừa và nhỏ (SMEs) đóng vai trò thiết yếu trong
việc giảm tác động đến môi trường toàn cầu, điều vốn đã trở thành một thành phần thậm chí còn quan
trọng hơn trong chiến lược của các công ty trong hai thập kỷ qua. Một trong những ngành chín muồi
nhất có thể thay đổi để trở nên “xanh hơn” chính là quản lý chuỗi cung ứng. Quản lý chuỗi cung ứng
xanh (GSCM) là quản lý chuỗi cung ứng có tích hợp các hoạt động môi trường, cho phép các doanh
nghiệp điều chỉnh hoạt động thu mua, sản xuất, phân phối, tiêu thụ và tái chế tài nguyên để giảm tác
động đến môi trường.Và liên quan đến quản lý vận hành (OM), việc phân tích dữ liệu đã trở thành
một xu hướng gia tăng nhanh chóng trong lĩnh vực này. Nhiều tài liệu mới về chủ đề này sử dụng các
phương pháp học máy để phân tích cách các tổ chức hoạt động. Bài đánh giá này sẽ phân tích vai trò
của học máy trong GSCM và quản lý vận hành.
Hình 2
Học có 1. Cây quyết 1) DT sử dụng các giá trị liên quan để sắp xếp
giám sát định (DT) phẩm chất thành các nhóm có thể được phân loại (Kotsiatis et al.,
2. Na¨ıve 2005).
Bayes 2) Na ıve Bayes có thể được sử dụng tốt nhất
3. Vectơ hỗ để phân cụm và phân loại đối tượng (Lowd & Domingos, 2005).
trợ máy móc
3) Máy vectơ hỗ trợ (SVM) hoạt động tốt trên các tính toán lề
4. K- hàng (Karatzoglou et al., 2006).
xóm gần
nhất 4) Người học sử dụng dữ liệu đào tạo trong KNN. Khi người học
được trình bày dữ liệu thử nghiệm, nó sẽ so sánh cả hai. K dữ liệu
5. Giám sát liên quan nhất của tập huấn luyện được sử dụng (Harrington,
thần kinh 2012). Dữ liệu thử nghiệm hiện đang ở dạng lớp mới K.
mạng
5) Kết quả đầu ra dự kiến và thực tế sẽ được so sánh bằng cách
sử dụ ng các mạ ng nơ-ron đượ c giám sát (SNN) và thông số
sẽ được thay đổi dựa trên về sai lầm được tìm thấy (Dey, 2016)
Học 1. Cụm K- 1. Kỹ thuật phân cụm K-means xác định các cụm K dựa trên sự
không means tương tự của các cụm dữ liệu (Shalev- Shwartz và cộng sự,
giám sát 2. Phân tích 2011).
thành phần 2. Phân tích thành phần chính (PCA) làm giảm độ mờ dữ liệu,
chính cho phép tính toán nhanh hơn (, 2012).
3. Mạng nơ- 3. Dữ liệu được phân loại bằng cách sử dụng các mạng nơ-ron
ron không không được giám sát (UNN). Bởi vì kết quả là không chắc chắn,
giám sát UNN đánh giá mối tương quan giữa đầu vào và loại chúng cho
phù hợp (Dey, 2016).
Học bán 1.Tự đào tạo 1. Phân loại tự đào tạo sử dụng dữ liệu có nhãn trước, sau đó là
giám sát 2.Máy vectơ dữ liệu không có nhãn (Dey, 2016).
hỗ trợ 2. Máy vectơ hỗ trợ truyền dẫn (TSVM) là một phần mở rộng của
chuyển tiếp SVM phân tích cả dữ liệu được dán nhãn và không được gắn
nhãn (Dey, 2016).
Học tập 1.Thúc đẩy 1.Tăng cường liên quan đến hai biến số: người học yếu và người
toàn thể 2.Đóng bao học mạnh. Nó làm giảm sự thiên vị và phương sai bằng cách thu
hút người học kém và sức mạnh của họ (Zhou, 2009).
2.Đóng bao là một cách tiếp cận khác để cải thiện độ chính xác
và độ ổn định của ML (Lemmens,& Croux, 2006).