اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع درک مفاهیم یادگیری ماشین و آمار کاربردی (بر پایه متدولوژی StatQuest)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع درک مفاهیم یادگیری ماشین و آمار کاربردی (بر پایه متدولوژی StatQuest)

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: یادگیری ماشین و مدل‌سازی پیش‌بینانه

📋 سرفصل‌های دوره

• 1. مبانی آمار توصیفی و شاخص‌های مرکزی
• 2. درک توزیع‌های احتمالی و اهمیت آن‌ها در مدل‌سازی
• 3. مفهوم واریانس و انحراف معیار در تحلیل داده‌ها
• 4. آشنایی با توزیع نرمال و ویژگی‌های منحنی زنگوله‌ای
• 5. مفاهیم پایه در نمونه‌گیری و استنباط آماری
• 6. درک خطای استاندارد و بازه‌های اطمینان
• 7. آزمون فرض آماری و مفهوم مقدار پی (P-Value)
• 8. کاربرد آزمون تی (T-Test) در مقایسه میانگین‌ها
• 9. آشنایی با تحلیل واریانس (ANOVA)
• 10. مبانی همبستگی و کوواریانس بین متغیرها
• 11. رگرسیون خطی ساده و روش کمترین مربعات
• 12. ارزیابی مدل‌های رگرسیون با معیارهای ضریب تعیین
• 13. رگرسیون خطی چندگانه و تفسیر ضرایب
• 14. شناسایی و مدیریت داده‌های پرت در مدل‌سازی
• 15. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 16. اعتبارسنجی متقاطع (Cross-Validation) برای ارزیابی مدل
• 17. مقدمه‌ای بر یادگیری ماشین و دسته‌بندی مسائل
• 18. طبقه‌بندی با استفاده از رگرسیون لجستیک
• 19. مفهوم تابع سیگموئید در مدل‌سازی احتمالی
• 20. ارزیابی مدل‌های طبقه‌بندی با ماتریس اغتشاش
• 21. درک معیارهای دقت، فراخوانی و امتیاز اف (F1-Score)
• 22. آشنایی با درخت‌های تصمیم‌گیری و نحوه تقسیم داده‌ها
• 23. معیارهای خلوص در درخت‌های تصمیم (جینی و آنتروپی)
• 24. هرس کردن درخت‌های تصمیم برای بهبود عملکرد
• 25. الگوریتم جنگل‌های تصادفی (Random Forest)
• 26. مبانی الگوریتم نزدیک‌ترین همسایگی (KNN)
• 27. آشنایی با ماشین بردار پشتیبان (SVM)
• 28. مفهوم هسته‌ها در مدل‌های غیرخطی
• 29. مقدمه‌ای بر یادگیری بدون نظارت و خوشه‌بندی
• 30. الگوریتم خوشه‌بندی کی-میانگین (K-Means)
• 31. روش‌های کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
• 32. مبانی شبکه‌های عصبی مصنوعی و پرسپترون
• 33. توابع فعال‌ساز در شبکه‌های عصبی
• 34. پس‌انتشار خطا و بهینه‌سازی وزن‌ها
• 35. مقدمه‌ای بر یادگیری عمیق و کاربردهای آن
• 36. مدیریت داده‌های مفقود و پیش‌پردازش ویژگی‌ها
• 37. مهندسی ویژگی‌ها برای افزایش دقت مدل
• 38. نرمال‌سازی و استانداردسازی داده‌های ورودی
• 39. بررسی تعادل داده‌ها و تکنیک‌های مقابله با عدم توازن
• 40. کاربرد یادگیری ماشین در تحلیل سری‌های زمانی
• 41. مقدمه‌ای بر مدل‌های پیش‌بینی تقاضا و فروش
• 42. اخلاق در تحلیل داده و صیانت از حریم خصوصی اطلاعات
• 43. استانداردهای گزارش‌دهی نتایج تحلیل‌های آماری
• 44. ابزارهای نرم‌افزاری استاندارد در تحلیل داده و یادگیری ماشین
• 45. پروژه نهایی طراحی یک مدل پیش‌بینانه کاربردی