اپلیکیشن اندرویدی فلش‌کارت آموزشی دیباگ مدل و تفسیرپذیری در یادگیری ماشینی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دیباگ مدل و تفسیرپذیری در یادگیری ماشینی

موضوع کلی: علوم رفتاری و مدل‌سازی اجتماعی

موضوع میانی: مدل‌سازی یادگیری ماشینی و یادگیری کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر دیباگینگ مدل‌های یادگیری ماشین
• 2. اهمیت تفسیرپذیری مدل‌ها در کاربردهای واقعی
• 3. انواع خطاها در مدل‌های یادگیری ماشین
• 4. خطای بایاس (Bias) و واریانس (Variance)
• 5. تشخیص و کاهش بیش‌برازش (Overfitting)
• 6. تشخیص و رفع کم‌برازش (Underfitting)
• 7. روش‌های ارزیابی مدل و معیارهای سنجش عملکرد
• 8. اعتبارسنجی متقابل (Cross-Validation)
• 9. بررسی اهمیت ویژگی‌ها (Feature Importance)
• 10. روش‌های انتخاب ویژگی (Feature Selection)
• 11. تحلیل منحنی ROC و AUC
• 12. تحلیل ماتریس درهم‌ریختگی (Confusion Matrix)
• 13. بررسی اهمیت خطاها در داده‌های پرت (Outliers)
• 14. تکنیک‌های پاکسازی داده و مدیریت داده‌های پرت
• 15. تفسیرپذیری مدل‌های خطی و رگرسیونی
• 16. تفسیرپذیری درخت‌های تصمیم
• 17. تفسیرپذیری جنگل تصادفی (Random Forest)
• 18. تفسیرپذیری ماشین‌های بردار پشتیبان (SVM)
• 19. تفسیرپذیری شبکه‌های عصبی
• 20. روش‌های لایه‌به‌لایه (Layer-wise Relevance Propagation)
• 21. روش‌های گرادیان ورودی (Gradient-based Input Attribution)
• 22. روش‌های Perturbation-based Attribution
• 23. روش‌های Shapley Values برای تفسیرپذیری
• 24. روش‌های LIME (Local Interpretable Model-agnostic Explanations)
• 25. بررسی و تحلیل جزئی (Partial Dependence Plots)
• 26. بررسی و تحلیل فردی (Individual Conditional Expectation)
• 27. تفسیرپذیری مدل‌های یادگیری تقویتی
• 28. دیباگینگ مدل‌های یادگیری تقویتی
• 29. ارزیابی پایداری مدل‌ها
• 30. شناسایی و رفع سوگیری در مدل‌ها
• 31. تکنیک‌های Fairness-Aware Machine Learning
• 32. تفسیرپذیری مدل‌های پردازش زبان طبیعی (NLP)
• 33. تفسیرپذیری مدل‌های بینایی کامپیوتر (Computer Vision)
• 34. ابزارهای دیباگینگ و تفسیرپذیری مدل‌ها (SHAP, LIME, InterpretML)
• 35. بهترین روش‌های مستندسازی فرآیند دیباگینگ
• 36. ملاحظات اخلاقی در تفسیرپذیری مدل‌ها