اپلیکیشن اندرویدی فلش‌کارت آموزشی مدل‌های ensemble تطبیقی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های ensemble تطبیقی

موضوع کلی: یادگیری ماشین در حضور تغییر توزیع

موضوع میانی: مدل‌ها و الگوریتم‌های خاص

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و مدل‌سازی پیش‌بینی
• 2. مفاهیم پایه‌ای مدل‌های ensemble
• 3. روش‌های ترکیب پیش‌بینی‌ها در مدل‌های ensemble
• 4. میانگین‌گیری و وزن‌دهی در مدل‌های ensemble
• 5. بُستینگ: مبانی و الگوریتم‌ها
• 6. درخت‌های تصمیم: مبانی و کاربردها
• 7. آشنایی با الگوریتم AdaBoost
• 8. بهینه‌سازی وزن‌ها در AdaBoost
• 9. الگوریتم Gradient Boosting: معرفی و کاربرد
• 10. رگرسیون گرادیانی: پیاده‌سازی و تنظیم
• 11. آشنایی با الگوریتم XGBoost
• 12. ویژگی‌های کلیدی XGBoost و تنظیم پارامترها
• 13. مقایسه XGBoost با Gradient Boosting
• 14. الگوریتم LightGBM: معرفی و مزایا
• 15. بهینه‌سازی سرعت و حافظه در LightGBM
• 16. الگوریتم CatBoost: معرفی و کاربردها
• 17. مدیریت داده‌های دسته‌ای در CatBoost
• 18. روش‌های جلوگیری از بیش‌برازش در مدل‌های Boosting
• 19. انتخاب ویژگی‌های مهم در مدل‌های Boosting
• 20. مقدمه‌ای بر Bagging و Random Forest
• 21. ساختن جنگل تصادفی: الگوریتم و پیاده‌سازی
• 22. تنظیم پارامترهای Random Forest
• 23. مقایسه Bagging و Boosting
• 24. آشنایی با الگوریتم Extra Trees
• 25. تفاوت‌های Extra Trees با Random Forest
• 26. مدل‌های Ensemble مبتنی بر Stacked Generalization
• 27. ایجاد مدل متا (Meta-Model) در Stacked Generalization
• 28. انتخاب الگوریتم مناسب برای مدل متا
• 29. ارزیابی عملکرد مدل‌های Stacked Generalization
• 30. مدل‌های Ensemble ناهمگن (Heterogeneous Ensembles)
• 31. ترکیب مدل‌های مختلف در Ensemble ناهمگن
• 32. روش‌های انتخاب مدل‌های مناسب برای Ensemble ناهمگن
• 33. استفاده از شبکه‌های عصبی در Ensemble
• 34. ترکیب مدل‌های خطی و غیرخطی
• 35. مقدمه‌ای بر یادگیری تطبیقی (Adaptive Learning)
• 36. روش‌های به‌روزرسانی مدل‌های Ensemble به‌صورت تطبیقی
• 37. استفاده از داده‌های جدید در به‌روزرسانی مدل
• 38. تشخیص تغییرات در توزیع داده‌ها
• 39. مدل‌های Ensemble تطبیقی برای داده‌های جریان‌دار
• 40. تکنیک‌های یادگیری فعال (Active Learning) در Ensemble
• 41. انتخاب نمونه‌های آموزشی بهینه برای Ensemble
• 42. استفاده از یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 43. کاربرد Ensemble در مسائل طبقه‌بندی
• 44. کاربرد Ensemble در مسائل رگرسیون
• 45. ارزیابی و مقایسه مدل‌های Ensemble در مسائل مختلف