دوره مدل‌سازی داده‌ها با رویکردهای آماری نوین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی داده‌ها با رویکردهای آماری نوین

موضوع کلی: مهندسی داده و تحلیل آماری

موضوع میانی: مدل‌سازی داده‌ها و روش‌های آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و تحلیل آماری
• 2. اهمیت مدل‌سازی داده‌ها در تصمیم‌گیری
• 3. مفاهیم پایه در آماری و یادگیری ماشین
• 4. انواع داده‌ها و ساختارهای داده‌ای
• 5. پیش‌پردازش داده‌ها: پاکسازی و تبدیل
• 6. مدیریت داده‌های گمشده
• 7. شناسایی و حذف داده‌های پرت
• 8. مهندسی ویژگی: خلق و انتخاب ویژگی
• 9. تحلیل اکتشافی داده‌ها (EDA)
• 10. مصورسازی داده‌ها برای درک بهتر
• 11. مقدمه‌ای بر مدل‌های آماری
• 12. مدل‌های خطی ساده و رگرسیون خطی
• 13. مفروضات مدل رگرسیون خطی
• 14. ارزیابی مدل رگرسیون خطی
• 15. رگرسیون لجستیک برای طبقه‌بندی
• 16. مقدمه‌ای بر روش‌های انسمبل
• 17. تقویت (Boosting) و Bagging
• 18. درختان تصمیم (Decision Trees)
• 19. الگوریتم AdaBoost
• 20. الگوریتم Gradient Boosting
• 21. الگوریتم XGBoost
• 22. الگوریتم LightGBM
• 23. ماشین‌های بردار پشتیبان (SVM)
• 24. کاربرد SVM در طبقه‌بندی
• 25. کاربرد SVM در رگرسیون
• 26. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 27. معماری شبکه‌های عصبی
• 28. تابع فعال‌سازی و پس‌انتشار خطا
• 29. آموزش و تنظیم مدل‌های شبکه‌های عصبی
• 30. مقدمه‌ای بر مدل‌های سری زمانی
• 31. مدل‌های ARIMA
• 32. تشخیص و مدل‌سازی روند و فصلی بودن
• 33. پیش‌بینی با مدل‌های سری زمانی
• 34. ارزیابی مدل‌های سری زمانی
• 35. مقدمه‌ای بر مدل‌های خوشه‌بندی
• 36. الگوریتم K-Means
• 37. ارزیابی مدل‌های خوشه‌بندی
• 38. خوشه‌بندی سلسله مراتبی
• 39. مقدمه‌ای بر کاهش ابعاد
• 40. تحلیل مولفه‌های اصلی (PCA)
• 41. کاربرد PCA در مصورسازی داده‌ها
• 42. تحلیل افتراق‌ساز خطی (LDA)
• 43. مقدمه‌ای بر روش‌های استنتاج آماری
• 44. آزمون فرض آماری
• 45. p-value و سطح معنی‌داری
• 46. فاصله اطمینان
• 47. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 48. مدل‌های پواسون
• 49. مدل‌های گاما
• 50. مقدمه‌ای بر یادگیری تقویتی
• 51. مفاهیم پایه یادگیری تقویتی
• 52. یادگیری سیاست (Policy Learning)
• 53. یادگیری ارزش (Value Learning)
• 54. مقدمه‌ای بر مدل‌های گرافیکی
• 55. شبکه‌های بیزی
• 56. کاربرد شبکه‌های بیزی در استنتاج
• 57. مقدمه‌ای بر مدل‌های آماری برای داده‌های فضایی
• 58. کاربرد مدل‌های آماری در تحلیل داده‌های شهری
• 59. مدل‌سازی توزیع مکانی پدیده‌ها
• 60. مقدمه‌ای بر مدل‌های آماری برای داده‌های شبکه‌ای
• 61. تحلیل شبکه‌های اجتماعی
• 62. مقدمه‌ای بر مدل‌سازی احتمالات شرطی
• 63. قضیه بیز و کاربردهای آن
• 64. استنتاج بیزی
• 65. مقدمه‌ای بر مدل‌های آماری چندسطحی
• 66. کاربرد مدل‌های چندسطحی در علوم اجتماعی
• 67. مدل‌سازی داده‌های سلسله مراتبی
• 68. مقدمه‌ای بر روش‌های آماری پیشرفته در اقتصاد
• 69. مدل‌سازی اقتصاد سنجی
• 70. کاربرد مدل‌های آماری در تحلیل بازارهای مالی
• 71. مقدمه‌ای بر مدل‌های آماری در علوم زیستی
• 72. مدل‌سازی داده‌های ژنتیکی
• 73. کاربرد مدل‌های آماری در اپیدمیولوژی
• 74. مقدمه‌ای بر مدل‌های آماری در علوم محیط زیست
• 75. مدل‌سازی آلودگی هوا
• 76. کاربرد مدل‌های آماری در پیش‌بینی بلایای طبیعی
• 77. مقدمه‌ای بر مصورسازی پیشرفته داده‌ها
• 78. مصورسازی تعاملی
• 79. کاربرد ابزارهای مصورسازی پیشرفته
• 80. مقدمه‌ای بر ارزیابی و انتخاب مدل
• 81. معیارهای ارزیابی مدل
• 82. اعتبارسنجی متقابل (Cross-Validation)
• 83. انتخاب بهترین مدل
• 84. مقدمه‌ای بر تفسیرپذیری مدل‌ها
• 85. تکنیک‌های تفسیرپذیری مدل‌های یادگیری ماشین
• 86. اهمیت تفسیرپذیری در کاربردهای عملی
• 87. مقدمه‌ای بر چالش‌های داده‌های بزرگ
• 88. معماری‌های پردازش داده‌های بزرگ
• 89. ابزارهای پردازش داده‌های بزرگ
• 90. مقدمه‌ای بر اخلاق در علم داده
• 91. حریم خصوصی داده‌ها
• 92. سوگیری در الگوریتم‌ها
• 93. مسئولیت‌پذیری در علم داده
• 94. مروری بر روندها و آینده مهندسی داده و تحلیل آماری