اپلیکیشن اندرویدی فلش‌کارت آموزشی ویژگی‌سازی خودکار با استفاده از یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ویژگی‌سازی خودکار با استفاده از یادگیری ماشین

موضوع کلی: علوم و مهندسی داده و هوش مصنوعی

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

• 1. ویژگی‌سازی خودکار: مقدمه‌ای و مفاهیم پایه
• 2. مجموعه‌داده‌ها در یادگیری ماشین و ویژگی‌سازی
• 3. پیش‌پردازش داده‌ها برای ویژگی‌سازی
• 4. مقیاس‌بندی ویژگی‌ها و نرمال‌سازی
• 5. انتخاب ویژگی: اهمیت و روش‌ها
• 6. روش‌های فیلتر برای انتخاب ویژگی
• 7. روش‌های Wrapper برای انتخاب ویژگی
• 8. روش‌های Embedded برای انتخاب ویژگی
• 9. کاهش ابعاد: مقدمه‌ای و ضرورت
• 10. تحلیل مولفه‌های اصلی (PCA)
• 11. تحلیل تفکیک خطی (LDA)
• 12. تبدیل ویژگی‌ها با استفاده از توابع چندجمله‌ای
• 13. تبدیل ویژگی‌ها با استفاده از توابع نمایی
• 14. ویژگی‌سازی متنی: مقدمه و روش‌ها
• 15. مدل‌های Bag of Words و TF-IDF
• 16. Word Embeddings: Word2Vec و GloVe
• 17. استفاده از شبکه‌های عصبی برای استخراج ویژگی از متن
• 18. ویژگی‌سازی داده‌های تصویری: مقدمه و روش‌ها
• 19. استخراج ویژگی‌های رنگ، بافت و شکل
• 20. استفاده از شبکه‌های کانولوشن (CNN) برای استخراج ویژگی
• 21. ویژگی‌سازی داده‌های صوتی: مقدمه و روش‌ها
• 22. استخراج ویژگی‌های طیفی و زمانی از صدا
• 23. استفاده از طیف‌نگاشت (Spectrogram) برای نمایش صدا
• 24. ویژگی‌سازی داده‌های سری زمانی
• 25. استخراج ویژگی‌های آماری و خودهمبستگی
• 26. تبدیل فوریه و موجک در ویژگی‌سازی سری زمانی
• 27. ویژگی‌سازی داده‌های دسته‌بندی شده
• 28. تبدیل متغیرهای دسته‌بندی شده به عددی
• 29. روش‌های One-Hot Encoding و Label Encoding
• 30. ویژگی‌سازی برای داده‌های گمشده
• 31. روش‌های جایگزینی داده‌های گمشده با مقادیر میانی
• 32. روش‌های پیش‌بینی داده‌های گمشده با استفاده از مدل‌های یادگیری ماشین
• 33. تکنیک‌های مهندسی ویژگی برای بهبود عملکرد مدل
• 34. ایجاد ویژگی‌های ترکیبی
• 35. تبدیل ویژگی‌ها با استفاده از توابع مثلثاتی
• 36. استفاده از دانش دامنه در مهندسی ویژگی
• 37. ارزیابی کیفیت ویژگی‌ها
• 38. معیارهای ارزیابی ویژگی‌ها: واریانس، همبستگی، و غیره
• 39. انتخاب بهترین مجموعه ویژگی‌ها با استفاده از اعتبارسنجی متقابل
• 40. بهینه‌سازی ویژگی‌ها برای الگوریتم‌های خاص
• 41. ویژگی‌سازی برای رگرسیون خطی
• 42. ویژگی‌سازی برای ماشین‌های بردار پشتیبان (SVM)
• 43. ویژگی‌سازی برای درخت‌های تصمیم و جنگل تصادفی
• 44. ویژگی‌سازی برای شبکه‌های عصبی
• 45. استفاده از Autoencoder برای یادگیری ویژگی‌ها