دوره تکنیک‌های کاهش ابعاد غیرخطی در یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های کاهش ابعاد غیرخطی در یادگیری ماشین

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: کاهش ابعاد و استخراج ویژگی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. مبانی یادگیری ماشین نظارت شده
• 3. مبانی یادگیری ماشین بدون نظارت
• 4. مقدمه‌ای بر کاهش ابعاد
• 5. اهمیت کاهش ابعاد در علم داده
• 6. چالش‌های کاهش ابعاد
• 7. انواع روش‌های کاهش ابعاد
• 8. کاهش ابعاد خطی: تحلیل مولفه‌های اصلی (PCA)
• 9. کاربرد PCA در فشرده‌سازی داده
• 10. کاربرد PCA در حذف نویز
• 11. محدودیت‌های PCA
• 12. کاهش ابعاد غیرخطی: نیاز به روش‌های جدید
• 13. مقدمه‌ای بر یادگیری منیفولد
• 14. منیفولدها در فضای داده
• 15. مفاهیم هندسه دیفرانسیل در یادگیری منیفولد
• 16. تکنیک‌های مبتنی بر نزدیکی در کاهش ابعاد غیرخطی
• 17. نگاشت سر-و-چسب (Isomap)
• 18. نحوه کار Isomap
• 19. مزایای Isomap
• 20. معایب Isomap
• 21. نگاشت چندبعدی مقیاس‌پذیر (LLE)
• 22. نحوه کار LLE
• 23. مزایای LLE
• 24. معایب LLE
• 25. نگاشت محلی خطی (Laplacian Eigenmaps)
• 26. نحوه کار Laplacian Eigenmaps
• 27. مزایای Laplacian Eigenmaps
• 28. معایب Laplacian Eigenmaps
• 29. نگاشت توزیع محلی (Locally Linear Embedding)
• 30. نحوه کار LLE (تکمیل)
• 31. مقایسه LLE و Isomap
• 32. خوشه‌بندی بر اساس کاهش ابعاد
• 33. تجسم داده‌ها با استفاده از کاهش ابعاد
• 34. روش‌های کاهش ابعاد مبتنی بر گراف
• 35. تکمیل گراف در روش‌های مبتنی بر گراف
• 36. مقایسه روش‌های مبتنی بر گراف
• 37. مقدمه‌ای بر استخراج ویژگی
• 38. تفاوت کاهش ابعاد و استخراج ویژگی
• 39. تکنیک‌های استخراج ویژگی خطی
• 40. استخراج ویژگی مبتنی بر تفکیک (LDA)
• 41. نحوه کار LDA
• 42. کاربرد LDA در طبقه‌بندی
• 43. محدودیت‌های LDA
• 44. استخراج ویژگی غیرخطی
• 45. استخراج ویژگی مبتنی بر شبکه عصبی
• 46. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 47. نحوه کار Autoencoders
• 48. انواع Autoencoders: Autoencoders استاندارد
• 49. Autoencoders و فشرده‌سازی داده
• 50. Autoencoders و حذف نویز
• 51. Autoencoders و استخراج ویژگی
• 52. Autoencoders در یادگیری عمیق
• 53. کاربرد Autoencoders در تشخیص ناهنجاری
• 54. Autoencoders و کاهش ابعاد
• 55. Autoencoders و بازسازی داده
• 56. Autoencoders و یادگیری بازنمایی
• 57. Autoencoders و شبکه‌های مولد تخاصمی (GANs)
• 58. مقدمه‌ای بر GANs
• 59. کاربرد GANs در تولید داده
• 60. GANs و کاهش ابعاد
• 61. GANs و استخراج ویژگی
• 62. استخراج ویژگی مبتنی بر درخت تصمیم
• 63. جنگل‌های تصادفی (Random Forests)
• 64. کاربرد Random Forests در استخراج ویژگی
• 65. درختان گرادیان بوستینگ (Gradient Boosting Trees)
• 66. کاربرد Gradient Boosting Trees در استخراج ویژگی
• 67. استخراج ویژگی مبتنی بر ماشین بردار پشتیبان (SVM)
• 68. کاربرد SVM در استخراج ویژگی
• 69. استخراج ویژگی مبتنی بر مدل‌های گرافیکی
• 70. شبکه‌های بیزی (Bayesian Networks)
• 71. کاربرد Bayesian Networks در استخراج ویژگی
• 72. مدل‌های مارکوف پنهان (HMMs)
• 73. کاربرد HMMs در استخراج ویژگی
• 74. کاهش ابعاد و استخراج ویژگی در پردازش تصویر
• 75. استخراج ویژگی در تشخیص چهره
• 76. کاهش ابعاد در پردازش سیگنال
• 77. استخراج ویژگی در پردازش زبان طبیعی
• 78. کاربرد کاهش ابعاد در سیستم‌های توصیه‌گر
• 79. کاهش ابعاد در یادگیری تقویتی
• 80. ارزیابی روش‌های کاهش ابعاد و استخراج ویژگی
• 81. معیارهای ارزیابی کاهش ابعاد
• 82. معیارهای ارزیابی استخراج ویژگی
• 83. پیاده‌سازی روش‌های کاهش ابعاد با استفاده از کتابخانه‌های پایتون
• 84. پیاده‌سازی PCA در پایتون
• 85. پیاده‌سازی Isomap در پایتون
• 86. پیاده‌سازی LLE در پایتون
• 87. پیاده‌سازی Laplacian Eigenmaps در پایتون
• 88. پیاده‌سازی Autoencoders در پایتون
• 89. کاربرد عملی کاهش ابعاد در تحلیل داده‌های بزرگ
• 90. کاربرد عملی استخراج ویژگی در سیستم‌های هوشمند
• 91. مسائل اخلاقی و حریم خصوصی در کاهش ابعاد و استخراج ویژگی
• 92. آینده پژوهش در کاهش ابعاد و استخراج ویژگی
• 93. چالش‌های محاسباتی در کاهش ابعاد غیرخطی
• 94. مقایسه جامع روش‌های کاهش ابعاد غیرخطی
• 95. مقایسه جامع روش‌های استخراج ویژگی
• 96. کاهش ابعاد و استخراج ویژگی برای داده‌های ترکیبی
• 97. کاهش ابعاد و استخراج ویژگی برای داده‌های متوالی
• 98. کاهش ابعاد و استخراج ویژگی برای داده‌های گراف
• 99. مروری بر پیشرفت‌های اخیر در یادگیری منیفولد
• 100. مروری بر پیشرفت‌های اخیر در شبکه‌های عصبی خودرمزگذار