دوره یادگیری ماشین کاربردی با داده‌های خودرویی در R همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین کاربردی با داده‌های خودرویی در R

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: تحلیل و پیش‌بینی با استفاده از داده‌های واقعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. مفاهیم پایه علم داده
• 3. اهمیت داده‌ها در تصمیم‌گیری
• 4. مبانی زبان برنامه‌نویسی R
• 5. نصب و پیکربندی R و RStudio
• 6. محیط توسعه RStudio
• 7. کار با داده‌ها در R
• 8. انواع داده و ساختارهای داده در R
• 9. مقدمه‌ای بر مجموعه داده mtcars
• 10. بارگذاری و کاوش داده‌های mtcars
• 11. آماده‌سازی داده‌ها برای تحلیل
• 12. پاکسازی داده‌ها
• 13. رسیدگی به مقادیر گمشده
• 14. تبدیل و مقیاس‌بندی داده‌ها
• 15. تجسم داده‌ها در R
• 16. انواع نمودارهای آماری
• 17. رسم نمودار با ggplot2
• 18. شناخت الگوها در داده‌ها
• 19. مقدمه‌ای بر یادگیری ماشین
• 20. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 21. یادگیری با نظارت: رگرسیون
• 22. مقدمه‌ای بر مدل‌های رگرسیون
• 23. رگرسیون خطی ساده
• 24. تفسیر ضرایب رگرسیون خطی
• 25. ارزیابی مدل‌های رگرسیون
• 26. معیارهای ارزیابی رگرسیون (MSE, R-squared)
• 27. رگرسیون خطی چندگانه
• 28. انتخاب ویژگی در رگرسیون
• 29. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 30. رگرسیون لجستیک
• 31. تفسیر مدل رگرسیون لجستیک
• 32. ارزیابی مدل‌های طبقه‌بندی
• 33. ماتریس درهم‌ریختگی (Confusion Matrix)
• 34. دقت، صحت و بازیابی
• 35. منحنی ROC و AUC
• 36. مقدمه‌ای بر درخت‌های تصمیم
• 37. ساخت و تفسیر درخت تصمیم
• 38. تنظیم پارامترهای درخت تصمیم
• 39. تقویت درختان تصمیم (Boosting)
• 40. روش گرادیان بوستینگ
• 41. روش XGBoost
• 42. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 43. هسته‌های SVM
• 44. تنظیم پارامترهای SVM
• 45. مقدمه‌ای بر خوشه‌بندی
• 46. الگوریتم K-Means
• 47. ارزیابی خوشه‌بندی
• 48. مقدمه‌ای بر کاهش ابعاد
• 49. تحلیل مولفه‌های اصلی (PCA)
• 50. کاربرد PCA در تحلیل داده‌های خودرویی
• 51. مقدمه‌ای بر سری‌های زمانی
• 52. تحلیل روند و فصلی بودن
• 53. مدل‌های ARIMA
• 54. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 55. ارزیابی مدل‌های سری زمانی
• 56. مقدمه‌ای بر یادگیری عمیق
• 57. شبکه‌های عصبی مصنوعی
• 58. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 59. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 60. کاربرد شبکه‌های عصبی در تحلیل داده‌های خودرویی
• 61. پیش‌بینی مصرف سوخت
• 62. پیش‌بینی قیمت خودرو
• 63. پیش‌بینی تصادفات
• 64. بهینه‌سازی مدل‌ها
• 65. تنظیم فراپارامترها (Hyperparameter Tuning)
• 66. جستجوی شبکه‌ای (Grid Search)
• 67. جستجوی تصادفی (Random Search)
• 68. اعتبارسنجی متقابل (Cross-Validation)
• 69. مقدمه‌ای بر مهندسی ویژگی
• 70. ایجاد ویژگی‌های جدید
• 71. ترکیب ویژگی‌های موجود
• 72. اهمیت ویژگی‌ها
• 73. روش‌های انتخاب ویژگی
• 74. استفاده از مدل‌های ترکیبی (Ensemble Methods)
• 75. تصمیم‌گیری مبتنی بر داده در صنعت خودرو
• 76. کاربرد یادگیری ماشین در تحقیق و توسعه خودرو
• 77. پیش‌بینی عمر مفید قطعات
• 78. تحلیل داده‌های حسگرهای خودرو
• 79. بهینه‌سازی مصرف انرژی خودرو
• 80. نکات اخلاقی در علم داده
• 81. حریم خصوصی داده‌ها
• 82. تفسیرپذیری مدل‌ها
• 83. مسئولیت‌پذیری در مدل‌های هوش مصنوعی
• 84. مقدمه‌ای بر چارچوب‌های تحلیل داده در ایران
• 85. قوانین و مقررات مرتبط با داده‌ها
• 86. امنیت داده‌ها در ایران
• 87. مدیریت پروژه‌های علم داده
• 88. مستندسازی پروژه‌ها
• 89. ارتباط نتایج با ذینفعان
• 90. مقدمه‌ای بر داده‌کاوی در صنعت خودرو
• 91. تحلیل رفتار مشتریان
• 92. پیش‌بینی تقاضا
• 93. بهینه‌سازی زنجیره تامین
• 94. جمع‌بندی و نگاه به آینده علم داده
• 95. چالش‌های پیش رو در علم داده
• 96. روندهای جدید در یادگیری ماشین
• 97. کاربرد علم داده در اقتصاد مقاومتی
• 98. نقش علم داده در خودکفایی صنعتی