دوره مدیریت داده‌های گمشده با رویکردهای آماری و همسایگی نزدیک (KNN) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت داده‌های گمشده با رویکردهای آماری و همسایگی نزدیک (KNN)

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: آماده‌سازی و پیش‌پردازش داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن
• 2. مفهوم داده‌های گمشده در علم داده
• 3. انواع داده‌های گمشده
• 4. پیامدهای داده‌های گمشده در تحلیل آماری
• 5. روش‌های کلی برخورد با داده‌های گمشده
• 6. اهمیت پیش‌پردازش داده‌ها
• 7. مروری بر کتابخانه Scikit-learn پایتون
• 8. نصب و پیکربندی Scikit-learn
• 9. مقدمه‌ای بر Imputer در Scikit-learn
• 10. استفاده از SimpleImputer برای داده‌های گمشده
• 11. استراتژی‌های مختلف SimpleImputer
• 12. میانگین (Mean) به عنوان استراتژی Imputer
• 13. میانه (Median) به عنوان استراتژی Imputer
• 14. نما (Most Frequent) به عنوان استراتژی Imputer
• 15. کاربرد MeanImputer در مجموعه داده‌ها
• 16. کاربرد MedianImputer در مجموعه داده‌ها
• 17. کاربرد MostFrequentImputer در مجموعه داده‌ها
• 18. مثال عملی با SimpleImputer
• 19. مدیریت داده‌های گمشده در داده‌های عددی
• 20. مدیریت داده‌های گمشده در داده‌های دسته‌ای
• 21. مزایای SimpleImputer
• 22. محدودیت‌های SimpleImputer
• 23. مقدمه‌ای بر رویکردهای مبتنی بر همسایگی
• 24. مفهوم همسایگی نزدیک (KNN)
• 25. کاربرد KNN در طبقه‌بندی
• 26. کاربرد KNN در رگرسیون
• 27. نحوه انتخاب تعداد همسایگان (k) در KNN
• 28. اهمیت انتخاب معیار فاصله در KNN
• 29. استفاده از KNNImputer برای داده‌های گمشده
• 30. نحوه عملکرد KNNImputer
• 31. مراحل پیاده‌سازی KNNImputer
• 32. انتخاب پارامترهای KNNImputer
• 33. مقایسه KNNImputer با SimpleImputer
• 34. مزایای KNNImputer
• 35. محدودیت‌های KNNImputer
• 36. مثال عملی با KNNImputer
• 37. مدیریت داده‌های گمشده در داده‌های پیچیده
• 38. بررسی تأثیر استراتژی‌های مختلف Imputer
• 39. ارزیابی کیفیت داده‌های تکمیل شده
• 40. معیارهای سنجش عملکرد Imputer
• 41. تکنیک‌های پیشرفته‌تر برای داده‌های گمشده (اشاره)
• 42. استفاده از الگوریتم‌های یادگیری ماشین برای تکمیل داده‌ها
• 43. نکات مهم در انتخاب روش تکمیل داده
• 44. تأثیر تکمیل داده بر مدل‌های پیش‌بینی
• 45. مدیریت داده‌های پرت در کنار داده‌های گمشده
• 46. اهمیت پاکسازی داده‌ها
• 47. مراحل کلی پاکسازی و آماده‌سازی داده
• 48. کاربرد داده‌های گمشده در تحلیل سری‌های زمانی
• 49. روش‌های تخصصی برای داده‌های گمشده در سری‌های زمانی (اشاره)
• 50. اهمیت مستندسازی فرآیند تکمیل داده
• 51. کاربرد تکمیل داده در یادگیری عمیق (اشاره)
• 52. اخلاق در علم داده و مدیریت داده‌های گمشده
• 53. حفظ حریم خصوصی داده‌ها هنگام تکمیل
• 54. پیاده‌سازی عملی تکمیل داده در پایتون
• 55. استفاده از Pandas برای شناسایی داده‌های گمشده
• 56. رسم نمودار برای نمایش داده‌های گمشده
• 57. نمایش داده‌های گمشده به صورت ماتریس
• 58. نحوه مشاهده داده‌های گمشده در DataFrame
• 59. حذف ردیف‌ها یا ستون‌های دارای داده گمشده (و دلایل اجتناب)
• 60. استفاده از Fillna در Pandas
• 61. تکمیل داده‌های گمشده با مقدار ثابت در Pandas
• 62. تکمیل داده‌های گمشده با میانگین در Pandas
• 63. تکمیل داده‌های گمشده با میانه در Pandas
• 64. تکمیل داده‌های گمشده با نما در Pandas
• 65. تکمیل داده‌های گمشده با روش‌های پیشرفته‌تر در Pandas
• 66. مقدمه‌ای بر یادگیری ماشین نظارت شده
• 67. مفهوم ویژگی (Feature) و برچسب (Label)
• 68. مدل‌های یادگیری ماشین برای رگرسیون
• 69. مدل‌های یادگیری ماشین برای طبقه‌بندی
• 70. ارزیابی مدل‌های رگرسیون
• 71. ارزیابی مدل‌های طبقه‌بندی
• 72. مقدمه‌ای بر مهندسی ویژگی
• 73. اهمیت انتخاب و ساخت ویژگی‌های مناسب
• 74. نرمال‌سازی و استانداردسازی داده‌ها
• 75. تکنیک‌های کاهش ابعاد (PCA)
• 76. کاربرد PCA در آماده‌سازی داده
• 77. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 78. کاربرد خوشه‌بندی در کشف الگوها
• 79. الگوریتم K-Means برای خوشه‌بندی
• 80. ارزیابی نتایج خوشه‌بندی
• 81. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 82. کاربرد NLP در تحلیل متن
• 83. توکن‌سازی و پاکسازی متن
• 84. بردارسازی متن (Bag-of-Words, TF-IDF)
• 85. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 86. معماری شبکه‌های عصبی پایه
• 87. تابع فعال‌سازی در شبکه‌های عصبی
• 88. آموزش شبکه‌های عصبی (گرادیان کاهشی)
• 89. مقدمه‌ای بر یادگیری عمیق
• 90. شبکه‌های عصبی کانولوشنال (CNN)
• 91. شبکه‌های عصبی بازگشتی (RNN)
• 92. کاربرد CNN در بینایی ماشین
• 93. کاربرد RNN در پردازش زبان طبیعی
• 94. مقدمه‌ای بر یادگیری تقویتی
• 95. مفهوم عامل (Agent) و محیط (Environment)
• 96. تابع پاداش (Reward Function)
• 97. الگوریتم‌های یادگیری تقویتی (Q-Learning)
• 98. کاربرد یادگیری تقویتی در رباتیک و بازی‌ها
• 99. مباحث پیشرفته در علم داده
• 100. یادگیری انتقالی (Transfer Learning)