دوره تحلیل و ارزیابی معیارهای طبقه‌بندی در مواجهه با عدم توازن داده‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و ارزیابی معیارهای طبقه‌بندی در مواجهه با عدم توازن داده‌ها

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: ارزیابی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و تحلیل آماری
• 2. مبانی آماری در علم داده
• 3. جمع‌آوری و پیش‌پردازش داده‌ها
• 4. مفهوم عدم توازن داده‌ها
• 5. اهمیت عدم توازن داده‌ها در طبقه‌بندی
• 6. شناسایی مسائل عدم توازن داده‌ها
• 7. انواع معیارهای طبقه‌بندی
• 8. معیارهای دقت و صحت
• 9. حساسیت و ویژگی
• 10. مقادیر پیش‌بینی مثبت و منفی
• 11. منحنی ROC و AUC
• 12. منحنی دقت-بازیابی
• 13. اهمیت انتخاب معیار مناسب
• 14. تأثیر عدم توازن بر معیارهای سنتی
• 15. روش‌های ارزیابی مدل در عدم توازن داده‌ها
• 16. نمونه‌گیری مجدد (Resampling)
• 17. نمونه‌گیری بیش از حد (Oversampling)
• 18. نمونه‌گیری کم از حد (Undersampling)
• 19. ترکیب نمونه‌گیری
• 20. روش‌های مبتنی بر تولید داده مصنوعی
• 21. تکنیک SMOTE
• 22. انواع SMOTE
• 23. تکنیک ADASYN
• 24. روش‌های مبتنی بر الگوریتم
• 25. تغییر تابع هزینه (Cost-Sensitive Learning)
• 26. یادگیری مبتنی بر مجموعه (Ensemble Learning)
• 27. روش‌های ترکیبی
• 28. ارزیابی مدل در داده‌های نامتوازن
• 29. شاخص‌های عملکرد مدل
• 30. ماتریس درهم‌ریختگی (Confusion Matrix)
• 31. تحلیل حساسیت و ویژگی
• 32. تحلیل منحنی ROC
• 33. تحلیل منحنی دقت-بازیابی
• 34. انتخاب آستانه طبقه‌بندی
• 35. تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
• 36. اعتبارسنجی K-Fold
• 37. اعتبارسنجی Stratified K-Fold
• 38. اعتبارسنجی LOOCV
• 39. ارزیابی مدل‌های طبقه‌بندی نامتوازن
• 40. مدل‌های خطی در عدم توازن داده‌ها
• 41. مدل‌های مبتنی بر درخت در عدم توازن داده‌ها
• 42. مدل‌های مبتنی بر ماشین بردار پشتیبان (SVM)
• 43. مدل‌های مبتنی بر شبکه‌های عصبی
• 44. ارزیابی مدل‌های یادگیری عمیق
• 45. کاربرد علم داده در شناسایی و پیش‌بینی حوادث
• 46. مطالعه موردی: حوادث برخورد پرندگان با هواپیما
• 47. جمع‌آوری داده‌های حوادث پرندگان
• 48. پیش‌پردازش داده‌های حوادث
• 49. ویژگی‌های مرتبط با حوادث پرندگان
• 50. مدل‌سازی عدم توازن در داده‌های حوادث
• 51. ارزیابی مدل‌های پیش‌بینی حوادث
• 52. بهبود دقت پیش‌بینی حوادث
• 53. کاربرد معیارهای طبقه‌بندی در مدیریت ریسک
• 54. تحلیل هزینه‌های ناشی از حوادث
• 55. بهینه‌سازی تصمیم‌گیری بر اساس پیش‌بینی‌ها
• 56. ملاحظات اخلاقی در علم داده
• 57. حفظ حریم خصوصی داده‌ها
• 58. شفافیت در مدل‌سازی
• 59. مسئولیت‌پذیری در نتایج
• 60. تفسیرپذیری مدل‌ها
• 61. پیش‌بینی و جلوگیری از وقوع حوادث
• 62. نقش علم داده در ایمنی پرواز
• 63. اصول طراحی سیستم‌های هشدار دهنده
• 64. ارزیابی اثربخشی سیستم‌های هشدار دهنده
• 65. مطالعات موردی از حوادث واقعی
• 66. درس‌های آموخته شده از حوادث
• 67. پیش‌بینی نقاط حادثه‌خیز
• 68. توسعه مدل‌های پیشرفته‌تر
• 69. استفاده از داده‌های مکانی
• 70. استفاده از داده‌های زمانی
• 71. یکپارچه‌سازی منابع داده مختلف
• 72. تحلیل سری‌های زمانی حوادث
• 73. مدل‌سازی پیش‌بینانه برای حوادث
• 74. ارزیابی و اعتبارسنجی مدل‌های پیش‌بینانه
• 75. پیاده‌سازی مدل‌ها در سیستم‌های عملیاتی
• 76. نظارت مستمر بر عملکرد مدل‌ها
• 77. به‌روزرسانی و بازآموزی مدل‌ها
• 78. مدیریت عدم قطعیت در پیش‌بینی‌ها
• 79. تاثیر عوامل محیطی بر حوادث
• 80. تاثیر عوامل انسانی بر حوادث
• 81. تاثیر عوامل سازه‌ای بر حوادث
• 82. تحلیل علل ریشه‌ای حوادث
• 83. یادگیری از تجربیات گذشته
• 84. توسعه راهکارهای پیشگیرانه
• 85. نقش هوش مصنوعی در ارتقاء ایمنی
• 86. تحلیل آماری پیشرفته در علم داده
• 87. روش‌های آماری برای داده‌های نامتوازن
• 88. مفاهیم آماری در مدل‌سازی یادگیری ماشین
• 89. آزمون فرض آماری در ارزیابی مدل
• 90. تحلیل واریانس در مقایسه مدل‌ها
• 91. رگرسیون لجستیک برای طبقه‌بندی
• 92. شبکه‌های عصبی کانولوشنی برای داده‌های تصویری
• 93. شبکه‌های عصبی بازگشتی برای داده‌های ترتیبی
• 94. مدل‌های ترکیبی برای بهبود عملکرد
• 95. ارزیابی و اعتبارسنجی نهایی مدل‌ها
• 96. مستندسازی فرآیند مدل‌سازی
• 97. گزارش‌دهی نتایج و یافته‌ها
• 98. ارائه توصیه‌ها برای بهبود ایمنی
• 99. برنامه‌ریزی برای آینده علم داده در ایمنی هوایی
• 100. کاربرد علم داده در پیش‌بینی سایر حوادث.