دوره بهینه‌سازی یادگیری متغیر: الگوریتم‌ها و تکنیک‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی یادگیری متغیر: الگوریتم‌ها و تکنیک‌ها

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: یادگیری متغیر (Variational Inference)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و بهینه‌سازی
• 2. مفاهیم اساسی متغیرهای یادگیری
• 3. انواع متغیرها در مدل‌های یادگیری
• 4. شناخت داده و پیش‌پردازش متغیرها
• 5. اهمیت نرمال‌سازی و استانداردسازی متغیرها
• 6. تکنیک‌های کاهش ابعاد متغیرها
• 7. تحلیل مؤلفه‌های اصلی (PCA) برای متغیرها
• 8. تحلیل تمایز خطی (LDA) و کاربرد آن
• 9. انتخاب ویژگی (Feature Selection) چیست؟
• 10. روش‌های مبتنی بر فیلتر برای انتخاب ویژگی
• 11. روش‌های مبتنی بر Wrapper برای انتخاب ویژگی
• 12. روش‌های مبتنی بر Embedded برای انتخاب ویژگی
• 13. مدل‌سازی متغیرهای دسته‌ای (Categorical)
• 14. کدگذاری One-Hot برای متغیرهای دسته‌ای
• 15. کدگذاری Label Encoding برای متغیرها
• 16. کاربرد متغیرهای ترتیبی (Ordinal)
• 17. تکنیک‌های مهندسی ویژگی (Feature Engineering)
• 18. ساخت ویژگی‌های جدید از داده‌های موجود
• 19. ترکیب متغیرها و ایجاد تعاملات
• 20. اهمیت توزیع متغیرها در مدل‌سازی
• 21. بررسی چولگی و کشیدگی متغیرها
• 22. مدیریت متغیرهای پرت (Outliers)
• 23. روش‌های شناسایی متغیرهای پرت
• 24. تکنیک‌های حذف یا تبدیل متغیرهای پرت
• 25. مدل‌سازی متغیرهای وابسته به زمان
• 26. ویژگی‌های مبتنی بر پنجره زمانی (Time-based)
• 27. استفاده از توابع تأخیر (Lag Functions)
• 28. اهمیت متغیرهای محیطی در یادگیری
• 29. مدل‌سازی با متغیرهای مکانی
• 30. کاربرد شبکه‌های عصبی در بهینه‌سازی متغیرها
• 31. شبکه‌های عصبی کانولوشنی (CNN) و متغیرها
• 32. شبکه‌های عصبی بازگشتی (RNN) و متغیرها
• 33. شبکه‌های LSTM و GRU برای داده‌های متوالی
• 34. الگوریتم‌های بهینه‌سازی گرادیان کاهشی
• 35. انواع گرادیان کاهشی (Batch, Mini-batch, Stochastic)
• 36. تنظیم نرخ یادگیری (Learning Rate)
• 37. روش‌های تطبیقی نرخ یادگیری (Adam, RMSprop)
• 38. بهینه‌سازی تابع هزینه (Loss Function)
• 39. انتخاب تابع هزینه مناسب برای مسائل مختلف
• 40. بهینه‌سازی پارامترهای مدل (Model Parameters)
• 41. تنظیم فراپارامترها (Hyperparameter Tuning)
• 42. جستجوی شبکه‌ای (Grid Search) برای فراپارامترها
• 43. جستجوی تصادفی (Random Search) برای فراپارامترها
• 44. بهینه‌سازی بیزی (Bayesian Optimization)
• 45. تکنیک‌های توقف زودهنگام (Early Stopping)
• 46. مدیریت بیش‌برازش (Overfitting)
• 47. روش‌های منظم‌سازی (Regularization)
• 48. L1 و L2 Regularization برای متغیرها
• 49. Drop out در شبکه‌های عصبی
• 50. اعتبارسنجی متقابل (Cross-Validation)
• 51. K-Fold Cross-Validation
• 52. Stratified K-Fold Cross-Validation
• 53. Leave-One-Out Cross-Validation
• 54. ارزیابی عملکرد مدل با متغیرهای بهینه‌شده
• 55. معیارهای ارزیابی مدل‌های رگرسیون
• 56. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 57. منحنی ROC و AUC
• 58. ماتریس درهم‌ریختگی (Confusion Matrix)
• 59. بهینه‌سازی درخت تصمیم و جنگل تصادفی
• 60. کاربرد الگوریتم‌های Boosting (AdaBoost, Gradient Boosting)
• 61. تنظیم پارامترهای مدل‌های Boosting
• 62. بهینه‌سازی ماشین‌های بردار پشتیبان (SVM)
• 63. انتخاب کرنل مناسب برای SVM
• 64. بهینه‌سازی الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 65. انتخاب مقدار K در KNN
• 66. بهینه‌سازی مدل‌های خوشه‌بندی (Clustering)
• 67. الگوریتم K-Means و بهینه‌سازی آن
• 68. الگوریتم DBSCAN و پارامترهای آن
• 69. کاربرد متغیرهای خروجی در بهینه‌سازی
• 70. مدل‌سازی پیش‌بینی متغیرهای پیوسته
• 71. مدل‌سازی پیش‌بینی متغیرهای گسسته
• 72. تکنیک‌های کاهش واریانس در مدل‌ها
• 73. اهمیت تفسیرپذیری مدل (Model Interpretability)
• 74. روش‌های تفسیر مدل‌های یادگیری
• 75. شرح اهمیت ویژگی (Feature Importance)
• 76. تحلیل تأثیر متغیرها بر خروجی مدل
• 77. کاربرد SHAP و LIME در تفسیرپذیری
• 78. بهینه‌سازی مدل برای داده‌های نامتوازن
• 79. تکنیک‌های بازنمونه‌برداری (Resampling)
• 80. SMOTE و انواع آن
• 81. تکنیک‌های مبتنی بر هزینه (Cost-Sensitive Learning)
• 82. بهینه‌سازی مدل‌های سری زمانی
• 83. مدل ARIMA و بهینه‌سازی پارامترهای آن
• 84. مدل‌های سری زمانی مبتنی بر شبکه عصبی
• 85. بهینه‌سازی مدل‌های تشخیص ناهنجاری (Anomaly Detection)
• 86. کاربرد متغیرهای ترکیبی در یادگیری
• 87. بهینه‌سازی مدل‌های گراف (Graph Neural Networks)
• 88. کاربرد یادگیری تقویتی (Reinforcement Learning)
• 89. عناصر اصلی یادگیری تقویتی
• 90. بهینه‌سازی عامل یادگیری تقویتی
• 91. کاربرد متغیرهای توصیفی در یادگیری
• 92. بهینه‌سازی مدل‌ها در محیط‌های دینامیک
• 93. مدیریت تغییر توزیع داده (Concept Drift)
• 94. تکنیک‌های انطباق مدل با تغییرات
• 95. بهینه‌سازی مدل برای مقیاس‌پذیری
• 96. پردازش موازی در بهینه‌سازی یادگیری
• 97. استفاده از GPU و TPU برای تسریع
• 98. چالش‌های بهینه‌سازی در داده‌های بزرگ
• 99. مدل‌سازی با متغیرهای چندوجهی
• 100. بهینه‌سازی مدل‌های چندوظیفه‌ای (Multi-task)