دوره ساخت، کاوش و استقرار مدل‌های پیش‌بینانه در علم داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت، کاوش و استقرار مدل‌های پیش‌بینانه در علم داده

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌سازی پیش‌بینانه در علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و هوش مصنوعی
• 2. اهمیت مدل‌سازی پیش‌بینانه
• 3. چرخه حیات علم داده
• 4. جمع‌آوری و درک داده‌ها
• 5. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی
• 6. مدیریت داده‌های گمشده
• 7. شناسایی و حذف داده‌های پرت
• 8. مهندسی ویژگی: ایجاد و انتخاب ویژگی‌ها
• 9. انواع داده‌ها و مقیاس‌بندی آن‌ها
• 10. مقدمه‌ای بر یادگیری ماشین
• 11. یادگیری نظارت‌شده و بدون نظارت
• 12. معیارهای ارزیابی مدل‌ها
• 13. مقدمه‌ای بر رگرسیون خطی
• 14. تفسیر ضرایب رگرسیون خطی
• 15. ارزیابی مدل‌های رگرسیون
• 16. تنظیم مدل‌های رگرسیون
• 17. رگرسیون چندگانه
• 18. مقدمه‌ای بر طبقه‌بندی
• 19. رگرسیون لجستیک
• 20. تفسیر ضرایب رگرسیون لجستیک
• 21. آستانه طبقه‌بندی
• 22. ماتریس درهم‌ریختگی (Confusion Matrix)
• 23. دقت، صحت و بازیابی
• 24. امتیاز F1
• 25. منحنی ROC و AUC
• 26. دسته‌بندی‌کننده‌های K-نزدیک‌ترین همسایه (KNN)
• 27. مقدمه‌ای بر درخت‌های تصمیم
• 28. ساخت درخت تصمیم
• 29. هرس درخت تصمیم
• 30. دسته‌بندی‌کننده‌های مبتنی بر درخت
• 31. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 32. هسته‌های SVM
• 33. تنظیم پارامترهای SVM
• 34. مقدمه‌ای بر مدل‌های بیزین ساده (Naive Bayes)
• 35. انواع مدل‌های بیزین ساده
• 36. کاربرد بیزین ساده در طبقه‌بندی متن
• 37. مقدمه‌ای بر مدل‌های تجمعی (Ensemble Methods)
• 38. کیسه‌بندی (Bagging)
• 39. تصادفی جنگل (Random Forest)
• 40. تقویت گرادیان (Gradient Boosting)
• 41. مدل XGBoost
• 42. مدل LightGBM
• 43. دسته‌بندی‌کننده‌های تجمعی
• 44. مقدمه‌ای بر خوشه‌بندی
• 45. الگوریتم K-Means
• 46. ارزیابی خوشه‌بندی
• 47. خوشه‌بندی سلسله‌مراتبی
• 48. روش DBSCAN
• 49. کاربرد خوشه‌بندی در بخش‌بندی بازار
• 50. مقدمه‌ای بر کاهش ابعاد
• 51. تحلیل مولفه‌های اصلی (PCA)
• 52. تفسیر مولفه‌های اصلی
• 53. تحلیل تمایز خطی (LDA)
• 54. کاربرد کاهش ابعاد
• 55. مقدمه‌ای بر مدل‌سازی سری زمانی
• 56. شناسایی روند و فصلیت
• 57. مدل ARIMA
• 58. مدل SARIMA
• 59. پیش‌بینی در مدل‌های سری زمانی
• 60. ارزیابی مدل‌های سری زمانی
• 61. کاربرد مدل‌سازی سری زمانی در پیش‌بینی فروش
• 62. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 63. نورون مصنوعی و توابع فعال‌سازی
• 64. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 65. پس‌انتشار خطا (Backpropagation)
• 66. شبکه‌های عصبی کانولوشنال (CNN)
• 67. کاربرد CNN در پردازش تصویر
• 68. شبکه‌های عصبی بازگشتی (RNN)
• 69. کاربرد RNN در پردازش زبان طبیعی
• 70. شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)
• 71. مقدمه‌ای بر مدل‌های زبانی بزرگ
• 72. کاربرد مدل‌های زبانی در تحلیل متن
• 73. تولید متن با هوش مصنوعی
• 74. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 75. سوگیری در داده‌ها و مدل‌ها
• 76. تفسیرپذیری مدل‌های هوش مصنوعی
• 77. امنیت مدل‌های هوش مصنوعی
• 78. حریم خصوصی در هوش مصنوعی
• 79. کاربرد هوش مصنوعی در صنعت
• 80. کاربرد هوش مصنوعی در خدمات
• 81. کاربرد هوش مصنوعی در بهداشت و درمان
• 82. کاربرد هوش مصنوعی در آموزش
• 83. کاربرد هوش مصنوعی در کشاورزی
• 84. مقدمه‌ای بر استقرار مدل‌ها
• 85. بسته‌بندی مدل‌ها
• 86. API برای مدل‌های هوش مصنوعی
• 87. نظارت بر عملکرد مدل‌ها
• 88. به‌روزرسانی و نگهداری مدل‌ها
• 89. نمونه‌سازی و توسعه سریع مدل‌ها
• 90. پایپ‌لاین‌های یادگیری ماشین
• 91. ابزارهای خودکارسازی یادگیری ماشین (AutoML)
• 92. پلتفرم‌های ابری برای علم داده
• 93. مدیریت پروژه در علم داده
• 94. مستندسازی پروژه‌های علم داده
• 95. ارتباط با ذینفعان
• 96. ارائه نتایج و یافته‌ها
• 97. تصمیم‌گیری مبتنی بر داده
• 98. آینده علم داده و هوش مصنوعی
• 99. چالش‌های پیش رو در هوش مصنوعی
• 100. مسیر شغلی در علم داده