دوره آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین: از پاکسازی تا مهندسی ویژگی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین: از پاکسازی تا مهندسی ویژگی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیش‌پردازش داده در یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه و اهمیت آماده‌سازی داده‌ها
• 2. انواع داده‌ها و چالش‌های آن‌ها
• 3. درک ساختار داده‌های عددی و دسته‌ای
• 4. مفاهیم اولیه پاکسازی داده‌ها
• 5. شناسایی و مدیریت مقادیر گمشده
• 6. روش‌های پر کردن مقادیر گمشده: میانگین، میانه، مد
• 7. پر کردن مقادیر گمشده با مدل‌های یادگیری ماشین
• 8. شناسایی و حذف داده‌های پرت (Outliers)
• 9. روش‌های آماری برای شناسایی داده‌های پرت
• 10. روش‌های مبتنی بر مدل برای شناسایی داده‌های پرت
• 11. مدیریت داده‌های پرت: حذف، تبدیل، یا حفظ
• 12. اهمیت نرمال‌سازی و استانداردسازی داده‌ها
• 13. روش‌های نرمال‌سازی: Min-Max Scaling
• 14. روش‌های استانداردسازی: Z-Score Standardization
• 15. کاربرد نرمال‌سازی و استانداردسازی در مدل‌های مختلف
• 16. تبدیل داده‌های دسته‌ای به عددی
• 17. روش‌های One-Hot Encoding
• 18. روش‌های Label Encoding
• 19. روش‌های Target Encoding
• 20. کاربرد روش‌های تبدیل داده‌های دسته‌ای
• 21. مهندسی ویژگی: ایجاد ویژگی‌های جدید
• 22. ترکیب ویژگی‌های موجود
• 23. تقسیم ویژگی‌های موجود
• 24. ایجاد ویژگی‌های مبتنی بر زمان
• 25. ایجاد ویژگی‌های مبتنی بر مکان
• 26. اهمیت انتخاب ویژگی (Feature Selection)
• 27. روش‌های فیلتر (Filter Methods)
• 28. روش‌های Wrapper (Wrapper Methods)
• 29. روش‌های Embedded (Embedded Methods)
• 30. کاربرد انتخاب ویژگی در کاهش ابعاد
• 31. کاهش ابعاد (Dimensionality Reduction)
• 32. تحلیل مولفه‌های اصلی (PCA)
• 33. تحلیل تمایز خطی (LDA)
• 34. تکنیک‌های کاهش ابعاد غیرخطی
• 35. نمایش داده‌ها پس از کاهش ابعاد
• 36. پردازش داده‌های متنی
• 37. پیش‌پردازش متون: پاکسازی، توکن‌سازی
• 38. حذف کلمات توقف (Stop Words Removal)
• 39. ریشه‌یابی کلمات (Stemming) و لماتایزیشن (Lemmatization)
• 40. تبدیل متن به نمایش عددی: Bag-of-Words
• 41. تبدیل متن به نمایش عددی: TF-IDF
• 42. روش‌های پیشرفته‌تر نمایش متن: Word Embeddings
• 43. کاربرد پیش‌پردازش متن در مدل‌های زبان
• 44. پردازش داده‌های تصویری
• 45. پیش‌پردازش تصاویر: تغییر اندازه، برش، نرمال‌سازی
• 46. افزایش داده (Data Augmentation) برای تصاویر
• 47. تبدیل تصاویر به فرمت مناسب برای مدل‌ها
• 48. کاربرد پیش‌پردازش تصویر در بینایی ماشین
• 49. پردازش داده‌های سری زمانی
• 50. ویژگی‌های داده‌های سری زمانی
• 51. پیش‌پردازش سری زمانی: حذف نویز، پر کردن شکاف‌ها
• 52. ایجاد ویژگی‌های زمانی (Lag Features)
• 53. ایجاد ویژگی‌های مبتنی بر پنجره‌های متحرک
• 54. کاربرد پیش‌پردازش سری زمانی در پیش‌بینی
• 55. ملاحظات اخلاقی در آماده‌سازی داده‌ها
• 56. سوگیری در داده‌ها و مدل‌ها
• 57. روش‌های تشخیص و کاهش سوگیری
• 58. حفظ حریم خصوصی داده‌ها
• 59. قوانین و مقررات حفاظت از داده‌ها (با رویکرد داخلی)
• 60. ارزیابی کیفیت داده‌ها پس از پیش‌پردازش
• 61. تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
• 62. انتخاب معیارهای مناسب برای ارزیابی مدل
• 63. ارتباط بین کیفیت داده و عملکرد مدل
• 64. استقرار مدل‌های یادگیری ماشین و نیاز به داده‌های تمیز
• 65. نگهداری و به‌روزرسانی داده‌ها
• 66. آماده‌سازی داده‌ها برای مدل‌های یادگیری عمیق
• 67. شبکه‌های عصبی و نیازهای داده‌ای
• 68. پیش‌پردازش داده‌ها برای شبکه‌های عصبی کانولوشنی (CNN)
• 69. پیش‌پردازش داده‌ها برای شبکه‌های عصبی بازگشتی (RNN)
• 70. آماده‌سازی داده‌ها برای مدل‌های ترنسفورمر
• 71. مباحث پیشرفته در مهندسی ویژگی
• 72. خودکارسازی مهندسی ویژگی (Automated Feature Engineering)
• 73. استفاده از دانش دامنه (Domain Knowledge) در مهندسی ویژگی
• 74. تکنیک‌های ترکیب مدل‌ها (Ensemble Methods) و آماده‌سازی داده
• 75. پردازش داده‌های نامتوازن (Imbalanced Data)
• 76. روش‌های نمونه‌برداری برای داده‌های نامتوازن
• 77. تکنیک‌های تولید داده مصنوعی (SMOTE)
• 78. کاربرد داده‌های نامتوازن در مسائل طبقه‌بندی
• 79. آماده‌سازی داده‌ها برای مدل‌های یادگیری تقویتی
• 80. ویژگی‌های محیط در یادگیری تقویتی
• 81. پیش‌پردازش مشاهدات در یادگیری تقویتی
• 82. ارزیابی و اعتبارسنجی فرآیند آماده‌سازی داده
• 83. ساخت پایپ‌لاین‌های آماده‌سازی داده (Data Pipelines)
• 84. ابزارها و کتابخانه‌های آماده‌سازی داده در پایتون (Pandas, Scikit-learn)
• 85. کاربرد عملی آماده‌سازی داده در پروژه‌های واقعی
• 86. مطالعه موردی ۱: آماده‌سازی داده برای پیش‌بینی قیمت مسکن
• 87. مطالعه موردی ۲: آماده‌سازی داده برای تشخیص بیماری
• 88. مطالعه موردی ۳: آماده‌سازی داده برای تحلیل احساسات مشتریان
• 89. مطالعه موردی ۴: آماده‌سازی داده برای سیستم‌های توصیه‌گر
• 90. جمع‌بندی و نگاه به آینده آماده‌سازی داده‌ها
• 91. روندهای نوظهور در آماده‌سازی داده‌ها
• 92. چالش‌های پیش رو در آماده‌سازی داده‌ها
• 93. نقش آماده‌سازی داده در موفقیت پروژه‌های هوش مصنوعی
• 94. اهمیت مستندسازی فرآیند آماده‌سازی داده
• 95. اصول مهندسی نرم‌افزار در آماده‌سازی داده
• 96. ملاحظات امنیتی در آماده‌سازی داده‌ها
• 97. کلام آخر: آماده‌سازی داده، سنگ بنای یادگیری ماشین