اپلیکیشن اندرویدی فلش‌کارت آموزشی روش‌های تقسیم‌بندی: از دو بخشی تا فینگل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های تقسیم‌بندی: از دو بخشی تا فینگل

موضوع کلی: علوم مهندسی و محاسبات عددی

موضوع میانی: روش‌های حل عددی معادلات غیرخطی

📋 سرفصل‌های دوره

• 1. روش‌های تقسیم‌بندی داده‌ها
• 2. مبانی تقسیم‌بندی در یادگیری ماشین
• 3. تقسیم‌بندی با استفاده از درخت تصمیم
• 4. الگوریتم ID3 برای تقسیم‌بندی
• 5. الگوریتم C4.5 و بهبودهای آن
• 6. معیارهای ارزیابی تقسیم‌بندی
• 7. دقت، بازیابی و امتیاز F1
• 8. نکات و ترفندهای بهبود دقت
• 9. مدل‌سازی با استفاده از جنگل تصادفی
• 10. اهمیت ویژگی‌ها در جنگل تصادفی
• 11. کنترل بیش‌برازش در تقسیم‌بندی
• 12. روش‌های حذف ویژگی‌های نامرتبط
• 13. تقسیم‌بندی با استفاده از ماشین بردار پشتیبان (SVM)
• 14. هسته‌ها در ماشین بردار پشتیبان
• 15. تنظیم پارامترهای SVM
• 16. مقایسه SVM با درخت تصمیم
• 17. روش‌های تقسیم‌بندی غیرپارامتری
• 18. نزدیک‌ترین همسایگان (KNN) برای تقسیم‌بندی
• 19. فاصله اقلیدسی و سایر متریک‌ها
• 20. انتخاب K بهینه در KNN
• 21. تقسیم‌بندی با استفاده از شبکه‌های عصبی
• 22. معماری‌های مختلف شبکه‌های عصبی
• 23. آموزش شبکه‌های عصبی برای تقسیم‌بندی
• 24. بهینه‌سازی شبکه‌های عصبی
• 25. تقسیم‌بندی چند کلاسه
• 26. روش‌های مدیریت داده‌های نامتوازن
• 27. نمونه‌برداری بیش از حد و کم‌تر از حد
• 28. ارزیابی مدل‌های تقسیم‌بندی چند کلاسه
• 29. تقسیم‌بندی در داده‌های با ابعاد بالا
• 30. کاهش ابعاد با استفاده از PCA
• 31. انتخاب ویژگی با استفاده از روش‌های آماری
• 32. روش‌های ترکیبی تقسیم‌بندی
• 33. ادغام چندین مدل تقسیم‌بندی
• 34. روش‌های Ensemble Learning
• 35. تقسیم‌بندی در داده‌های متنی
• 36. پردازش زبان طبیعی برای تقسیم‌بندی
• 37. استخراج ویژگی از متن
• 38. تقسیم‌بندی در داده‌های تصویری
• 39. پردازش تصویر برای تقسیم‌بندی
• 40. استخراج ویژگی از تصاویر
• 41. تقسیم‌بندی در داده‌های سری زمانی
• 42. تحلیل سری زمانی برای تقسیم‌بندی
• 43. استخراج ویژگی از سری زمانی
• 44. تقسیم‌بندی در داده‌های جغرافیایی
• 45. نقشه‌های حرارتی و الگوهای مکانی