اپلیکیشن اندرویدی فلش‌کارت آموزشی مهندسی ویژگی: از داده خام تا مدل هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی: از داده خام تا مدل هوشمند

موضوع کلی: علوم و مهندسی داده و هوش مصنوعی

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

• 1. مهندسی ویژگی: مقدمه‌ای و مفاهیم پایه
• 2. جمع‌آوری و آماده‌سازی داده‌ها برای مهندسی ویژگی
• 3. کاوش داده‌ها و شناسایی ویژگی‌های مهم
• 4. انتخاب ویژگی: روش‌های فیلتر
• 5. انتخاب ویژگی: روش‌های رپر (Wrapper)
• 6. انتخاب ویژگی: روش‌های تعبیه‌شده (Embedded)
• 7. تبدیل ویژگی‌های عددی: نرمال‌سازی و استانداردسازی
• 8. تبدیل ویژگی‌های عددی: تبدیل‌های غیرخطی
• 9. مهندسی ویژگی برای داده‌های دسته‌ای (Categorical)
• 10. رمزگذاری یک‌داغ (One-Hot Encoding)
• 11. رمزگذاری برچسبی (Label Encoding)
• 12. دسته بندی ویژگی‌ها: روش‌های پیشرفته
• 13. ایجاد ویژگی‌های ترکیبی: تعامل ویژگی‌ها
• 14. ایجاد ویژگی‌های چندجمله‌ای
• 15. استفاده از توابع ریاضی برای مهندسی ویژگی
• 16. مهندسی ویژگی مبتنی بر دامنه (Domain-Specific)
• 17. استخراج ویژگی از متن: روش‌های پایه
• 18. پردازش زبان طبیعی (NLP) و استخراج ویژگی
• 19. استخراج ویژگی از تصاویر: روش‌های پایه‌ای
• 20. استفاده از شبکه‌های عصبی کانولوشن (CNN) برای استخراج ویژگی
• 21. مهندسی ویژگی برای داده‌های سری زمانی
• 22. استخراج ویژگی از سیگنال‌های صوتی
• 23. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 24. کاهش ابعاد: تحلیل تفکیکی خطی (LDA)
• 25. انتخاب ویژگی و کاهش ابعاد: مقایسه و کاربردها
• 26. تأثیر مهندسی ویژگی بر الگوریتم‌های یادگیری ماشین
• 27. مهندسی ویژگی برای رگرسیون خطی
• 28. مهندسی ویژگی برای ماشین‌های بردار پشتیبان (SVM)
• 29. مهندسی ویژگی برای درخت‌های تصمیم و جنگل تصادفی
• 30. مهندسی ویژگی برای الگوریتم‌های خوشه‌بندی
• 31. ارزیابی کیفیت ویژگی‌های مهندسی شده
• 32. اعتبارسنجی متقابل (Cross-Validation) در مهندسی ویژگی
• 33. مقایسه روش‌های مختلف مهندسی ویژگی
• 34. مهندسی ویژگی خودکار (Automated Feature Engineering)
• 35. ابزارهای مهندسی ویژگی در پایتون
• 36. مهندسی ویژگی در مقیاس بزرگ (Big Data)
• 37. بهینه‌سازی فرایند مهندسی ویژگی
• 38. مهندسی ویژگی و داده‌های نامتوازن
• 39. مهندسی ویژگی برای داده‌های جریان‌دار (Streaming Data)
• 40. مهندسی ویژگی و داده‌های گمشده (Missing Data)
• 41. استفاده از مهندسی ویژگی در سیستم‌های توصیه‌گر
• 42. مهندسی ویژگی و تشخیص تقلب
• 43. مهندسی ویژگی و پیش‌بینی سری‌های زمانی
• 44. مهندسی ویژگی و تحلیل احساسات
• 45. مهندسی ویژگی و پردازش تصویر پزشکی