Assessing multiple algorithms for implementing a recommender system for pharmaceutical products / Abdelghani Derradji  

Public ISBD Titre : Assessing multiple algorithms for implementing a recommender system for pharmaceutical products Type de document : texte imprimé Auteurs : Abdelghani Derradji, Auteur ; Khedidja Meziane ; Safia Djemame, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (85 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Système de recommandation Intelligence artificielle Apprentissage automatique Apprentissage automatique supervise Classification Régression Index. décimale : 004 - Informatique Résumé : Ce mémoire présente une vue globale sur quelques algorithmes du domaine de l’apprentissage automatique et l’apprentissage profond qui peuvent être utilisés pour l’implémentation des systèmes de recommandations et décrit les problèmes et erreurs communes qu’on peut trouver quand on travaille sur des projets pareils. L’objectif de ce projet est de répondre à une simple question : comment prédire l’action commerciale suivante d’un client en se basant sur son historique d’achats ? en d’autres termes, résoudre l’équation pseudo-mathématique suivante : Etant donné : des observations enregistrées sur plusieurs années sur les achats d’un client. Résoudre l’équation suivante : DATE + CLIENT + METADONNEES = [liste de produits qui peuvent intéresser un client dans date en entrée] Où: • [DATE] est une date dans le futur. • [METADONNEES] toutes information ou données nécessaires et peut être consolidées sur le produit, la [DATE] ou le [CLIENT]. Ce travail est imposé par un besoin réel d’une entreprise dans laquelle l’un des auteurs de ce mémoire travaille qui consiste à faciliter l’accès aux produits pour leur clientèle. Au lieu de prendre une route traditionnelle par l’implémentation d’un système de vente simple qui expose le stock et offre une recherche intelligente qui permet aux utilisateurs du système de chercher et sélectionner les produits, les auteurs ont décidé d’exploiter des techniques modernes pour permettre une expérience utilisateur riche et personnalisée à la clientèle de l’entreprise. La première étape dans ce projet était d’implémenter un « cerveau » qui peut imiter la façon dont un client pense pour qu’on puisse lui poser des questions comme si on les pose sur un client réel comme : quels produits voulez-vous prochainement ? Ce “cerveau” doit être un modèle mathématique issue des techniques de l’apprentissage machine réglé et personnalisé pour offrir ce genre d’expérience. Si cet objectif est réalisé, plusieurs opportunités d’utilisation peuvent s’émerger comme la « planification de la demande » (connu aussi comme « la prévision des stocks ») qui peut faciliter la gestion des demandes d’achats de l’entreprise pour augmenter les revenus, diminuer les coûts et espace de stockage permis par la possibilité de prédire et estimer la demande du marché = This dissertation presents an overview of some machine learning and deep learning techniques that can be used for implementing recommender systems and describes common mistakes and pitfalls one can face when dealing with such projects. The goal of this project is to answer a simple question: how to predict the next sale action of customers based on their precedent behavior. Or in pseudo-mathematics: Given: years of observations about customer’s sale behavior Answer the following equation: SALE DATE + CUSTOMER ID + META DATA = [list of items the customer could be interested in for that date] Such as: • [SALE DATE] is in the future. • [META DATA] is any necessary information or data that can be gathered about the item, the [SALE DATE] or the [CUSTOMER ID] This work was dictated by a real world need of a company one of the authors works for in which they needed to facilitate access to their products for their customers. Instead of going the traditional way, of implementing a simple sales system which exposes the inventory of items and offers a smart search functionality that allows users to search and select products, the authors decided to implement modern techniques to enable a rich and customized user experience to the customers. The first step was to implement a “brain” that can think like a customer so we can ask it like we would do for a real customer: what products do you want next? That “brain” should be a machine learning model trained on the data of the customer and tuned to offer that kind of experience. If this goal could be achieved, it will open many doors on ways to exploit it, like “Demand planning” (also known as “Inventory forecasting”) which can help manage the company’s purchase orders in order to increase revenue, decrease costs and storage space by estimating future demand for a company’s products. Côte titre : MAI/0786 En ligne : https://drive.google.com/file/d/1UEVDRqxfTLnbjbml7POAXUlep0BMgWdW/view?usp=drive [...] Format de la ressource électronique : pdf Assessing multiple algorithms for implementing a recommender system for pharmaceutical products [texte imprimé] / Abdelghani Derradji, Auteur ; Khedidja Meziane ; Safia Djemame, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (85 f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Système de recommandation Intelligence artificielle Apprentissage automatique Apprentissage automatique supervise Classification Régression Index. décimale : 004 - Informatique Résumé : Ce mémoire présente une vue globale sur quelques algorithmes du domaine de l’apprentissage automatique et l’apprentissage profond qui peuvent être utilisés pour l’implémentation des systèmes de recommandations et décrit les problèmes et erreurs communes qu’on peut trouver quand on travaille sur des projets pareils. L’objectif de ce projet est de répondre à une simple question : comment prédire l’action commerciale suivante d’un client en se basant sur son historique d’achats ? en d’autres termes, résoudre l’équation pseudo-mathématique suivante : Etant donné : des observations enregistrées sur plusieurs années sur les achats d’un client. Résoudre l’équation suivante : DATE + CLIENT + METADONNEES = [liste de produits qui peuvent intéresser un client dans date en entrée] Où: • [DATE] est une date dans le futur. • [METADONNEES] toutes information ou données nécessaires et peut être consolidées sur le produit, la [DATE] ou le [CLIENT]. Ce travail est imposé par un besoin réel d’une entreprise dans laquelle l’un des auteurs de ce mémoire travaille qui consiste à faciliter l’accès aux produits pour leur clientèle. Au lieu de prendre une route traditionnelle par l’implémentation d’un système de vente simple qui expose le stock et offre une recherche intelligente qui permet aux utilisateurs du système de chercher et sélectionner les produits, les auteurs ont décidé d’exploiter des techniques modernes pour permettre une expérience utilisateur riche et personnalisée à la clientèle de l’entreprise. La première étape dans ce projet était d’implémenter un « cerveau » qui peut imiter la façon dont un client pense pour qu’on puisse lui poser des questions comme si on les pose sur un client réel comme : quels produits voulez-vous prochainement ? Ce “cerveau” doit être un modèle mathématique issue des techniques de l’apprentissage machine réglé et personnalisé pour offrir ce genre d’expérience. Si cet objectif est réalisé, plusieurs opportunités d’utilisation peuvent s’émerger comme la « planification de la demande » (connu aussi comme « la prévision des stocks ») qui peut faciliter la gestion des demandes d’achats de l’entreprise pour augmenter les revenus, diminuer les coûts et espace de stockage permis par la possibilité de prédire et estimer la demande du marché = This dissertation presents an overview of some machine learning and deep learning techniques that can be used for implementing recommender systems and describes common mistakes and pitfalls one can face when dealing with such projects. The goal of this project is to answer a simple question: how to predict the next sale action of customers based on their precedent behavior. Or in pseudo-mathematics: Given: years of observations about customer’s sale behavior Answer the following equation: SALE DATE + CUSTOMER ID + META DATA = [list of items the customer could be interested in for that date] Such as: • [SALE DATE] is in the future. • [META DATA] is any necessary information or data that can be gathered about the item, the [SALE DATE] or the [CUSTOMER ID] This work was dictated by a real world need of a company one of the authors works for in which they needed to facilitate access to their products for their customers. Instead of going the traditional way, of implementing a simple sales system which exposes the inventory of items and offers a smart search functionality that allows users to search and select products, the authors decided to implement modern techniques to enable a rich and customized user experience to the customers. The first step was to implement a “brain” that can think like a customer so we can ask it like we would do for a real customer: what products do you want next? That “brain” should be a machine learning model trained on the data of the customer and tuned to offer that kind of experience. If this goal could be achieved, it will open many doors on ways to exploit it, like “Demand planning” (also known as “Inventory forecasting”) which can help manage the company’s purchase orders in order to increase revenue, decrease costs and storage space by estimating future demand for a company’s products. Côte titre : MAI/0786 En ligne : https://drive.google.com/file/d/1UEVDRqxfTLnbjbml7POAXUlep0BMgWdW/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0786	MAI/0786	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)