اپلیکیشن اندرویدی فلش‌کارت آموزشی انتخاب و کاهش ابعاد ویژگی‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره انتخاب و کاهش ابعاد ویژگی‌ها

موضوع کلی: علوم و مهندسی داده و هوش مصنوعی

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

• 1. انتخاب ویژگی در یادگیری ماشین
• 2. مقدمه‌ای بر انتخاب ویژگی
• 3. اهمیت انتخاب ویژگی در مدل‌سازی
• 4. انواع ویژگی‌ها و مقیاس‌های اندازه‌گیری
• 5. پیش‌پردازش داده‌ها برای انتخاب ویژگی
• 6. روش‌های فیلتر در انتخاب ویژگی
• 7. ارزیابی ویژگی با استفاده از آمار
• 8. انتخاب ویژگی بر اساس همبستگی
• 9. روش‌های پوششی در انتخاب ویژگی
• 10. جستجوی حریصانه رو به جلو
• 11. جستجوی حریصانه رو به عقب
• 12. روش‌های ترکیبی در انتخاب ویژگی
• 13. ارزیابی عملکرد روش‌های ترکیبی
• 14. انتخاب ویژگی با استفاده از الگوریتم‌های ژنتیک
• 15. کاهش ابعاد با تحلیل مولفه‌های اصلی (PCA)
• 16. مفاهیم پایه PCA
• 17. کاربرد PCA در کاهش ابعاد
• 18. انتخاب تعداد مولفه‌های اصلی
• 19. کاهش ابعاد با تحلیل تفکیک خطی (LDA)
• 20. مفاهیم پایه LDA
• 21. کاربرد LDA در طبقه‌بندی
• 22. مقایسه PCA و LDA
• 23. کاهش ابعاد غیرخطی با t-SNE
• 24. مفاهیم پایه t-SNE
• 25. کاربرد t-SNE در تجسم داده‌ها
• 26. کاهش ابعاد با خودرمزگذارها (Autoencoders)
• 27. مفاهیم پایه خودرمزگذارها
• 28. کاربرد خودرمزگذارها در کاهش ابعاد
• 29. انتخاب ویژگی برای داده‌های متنی
• 30. بردارسازی متن با TF-IDF
• 31. انتخاب ویژگی با استفاده از اطلاعات متنی
• 32. انتخاب ویژگی برای داده‌های تصویری
• 33. استخراج ویژگی از تصاویر با استفاده از HOG
• 34. انتخاب ویژگی با استفاده از شبکه‌های عصبی کانولوشن
• 35. انتخاب ویژگی برای داده‌های سری زمانی
• 36. استخراج ویژگی از سری‌های زمانی با استفاده از تبدیل فوریه
• 37. انتخاب ویژگی با استفاده از روش‌های مبتنی بر پنجره
• 38. انتخاب ویژگی برای داده‌های گسسته
• 39. روش‌های انتخاب ویژگی برای متغیرهای دسته‌ای
• 40. انتخاب ویژگی با استفاده از درخت‌های تصمیم
• 41. اهمیت ویژگی در درخت‌های تصمیم
• 42. انتخاب ویژگی با استفاده از جنگل تصادفی
• 43. ارزیابی اهمیت ویژگی در جنگل تصادفی
• 44. انتخاب ویژگی با استفاده از رگرسیون
• 45. انتخاب ویژگی با استفاده از L1 و L2