اپلیکیشن اندرویدی فلش‌کارت آموزشی بررسی حساسیت مدل با تجسم نتایج

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بررسی حساسیت مدل با تجسم نتایج

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: تجسم نتایج PyMC

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر حساسیت مدل و اهمیت آن
• 2. مفاهیم پایه در تحلیل حساسیت
• 3. انواع تحلیل حساسیت: کیفی و کمی
• 4. روش‌های تحلیل حساسیت کیفی
• 5. اصول تحلیل حساسیت کمی
• 6. مدل‌های خطی و تحلیل حساسیت
• 7. مدل‌های غیرخطی و چالش‌های تحلیل حساسیت
• 8. آشنایی با ابزارهای تحلیل حساسیت
• 9. نرم‌افزارهای رایج برای تحلیل حساسیت
• 10. آمار توصیفی برای درک داده‌ها
• 11. توزیع داده‌ها و اثر آن بر حساسیت
• 12. همبستگی متغیرها و تاثیر آن
• 13. رگرسیون خطی ساده و تحلیل حساسیت
• 14. رگرسیون خطی چندگانه و تحلیل حساسیت
• 15. مفهوم واریانس و سهم آن در مدل
• 16. تحلیل واریانس (ANOVA) برای درک تفاوت‌ها
• 17. آزمون فرض آماری در تحلیل حساسیت
• 18. خطای نوع اول و دوم و مدیریت آن‌ها
• 19. ضریب تعیین (R-squared) و تفسیر آن
• 20. خطاهای استاندارد و فاصله اطمینان
• 21. مفهوم مدل‌سازی آماری
• 22. انتخاب متغیرهای مناسب برای مدل
• 23. پیش‌پردازش داده‌ها برای تحلیل حساسیت
• 24. استانداردسازی و نرمال‌سازی داده‌ها
• 25. مقابله با داده‌های پرت (Outliers)
• 26. روش‌های حذف یا اصلاح داده‌های پرت
• 27. شناسایی متغیرهای مستقل و وابسته
• 28. اثر متغیرهای مستقل بر متغیر وابسته
• 29. تکنیک‌های انتخاب ویژگی (Feature Selection)
• 30. روش‌های مبتنی بر فیلتر
• 31. روش‌های مبتنی بر Wrapper
• 32. روش‌های مبتنی بر Embedded
• 33. مدل‌های درخت تصمیم برای تحلیل حساسیت
• 34. قوانین انجمنی و کشف روابط پنهان
• 35. تحلیل مولفه‌های اصلی (PCA) برای کاهش ابعاد
• 36. تحلیل عاملی (Factor Analysis) برای کشف عوامل زیربنایی
• 37. مقدمه‌ای بر یادگیری ماشین
• 38. یادگیری نظارت شده و نظارت نشده
• 39. الگوریتم‌های طبقه‌بندی (Classification)
• 40. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی
• 41. درختان تصمیم برای طبقه‌بندی
• 42. ماشین بردار پشتیبان (SVM)
• 43. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 44. الگوریتم‌های رگرسیون (Regression)
• 45. رگرسیون لجستیک
• 46. رگرسیون پواسون
• 47. مدل‌های خطی تعمیم‌یافته (GLM)
• 48. تحلیل حساسیت در مدل‌های طبقه‌بندی
• 49. اهمیت دقت، صحت و بازیابی در طبقه‌بندی
• 50. منحنی ROC و سطح زیر منحنی (AUC)
• 51. تحلیل حساسیت در مدل‌های رگرسیون
• 52. مفهوم خطای میانگین مربعات (MSE)
• 53. خطای میانگین مطلق (MAE)
• 54. ریشه خطای میانگین مربعات (RMSE)
• 55. تحلیل حساسیت متغیرها در مدل‌های رگرسیون
• 56. روش‌های مبتنی بر رتبه (Rank-based methods)
• 57. روش‌های مبتنی بر تکرار (Resampling methods)
• 58. Bootstrap و Cross-validation
• 59. تحلیل حساسیت با استفاده از Bootstrap
• 60. اعتبارسنجی متقابل (Cross-validation)
• 61. K-Fold Cross-validation
• 62. Leave-One-Out Cross-validation
• 63. تحلیل حساسیت در مدل‌های یادگیری عمیق
• 64. شبکه‌های عصبی کانولوشنی (CNN)
• 65. شبکه‌های عصبی بازگشتی (RNN)
• 66. تحلیل حساسیت پارامترهای شبکه‌های عصبی
• 67. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 68. جستجوی شبکه‌ای (Grid Search)
• 69. جستجوی تصادفی (Random Search)
• 70. بهینه‌سازی بیزین (Bayesian Optimization)
• 71. تجسم نتایج تحلیل حساسیت
• 72. نمودارهای پراکندگی (Scatter Plots)
• 73. نمودارهای میله‌ای (Bar Charts)
• 74. نمودارهای خطی (Line Plots)
• 75. نمودارهای حرارتی (Heatmaps)
• 76. نمودارهای جعبه‌ای (Box Plots)
• 77. تجسم ماتریس همبستگی
• 78. تجسم اهمیت متغیرها (Variable Importance)
• 79. تجسم تاثیر متغیرها بر پیش‌بینی
• 80. نمودارهای اثر متقابل (Interaction Plots)
• 81. کاربرد تحلیل حساسیت در حوزه‌های مختلف
• 82. تحلیل حساسیت در علوم زیستی
• 83. تحلیل حساسیت در مدل‌های اقتصادی
• 84. تحلیل حساسیت در مهندسی نرم‌افزار
• 85. تحلیل حساسیت در مدل‌های پیش‌بینی آب و هوا
• 86. تحلیل حساسیت در بهینه‌سازی فرآیندها
• 87. تفسیر نتایج تحلیل حساسیت در عمل
• 88. ارتباط تحلیل حساسیت با تحلیل ریسک
• 89. ملاحظات اخلاقی در تحلیل حساسیت
• 90. اهمیت مستندسازی فرآیند تحلیل حساسیت
• 91. جمع‌بندی و گام‌های آینده در تحلیل حساسیت