دوره مبانی کاربردی یادگیری ماشین: پیش‌بینی و دسته‌بندی داده‌ها با رویکرد علمی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی کاربردی یادگیری ماشین: پیش‌بینی و دسته‌بندی داده‌ها با رویکرد علمی

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین نظارت‌شده (Supervised Learning)

📋 سرفصل‌های دوره

• 1. مفاهیم پایه و تعاریف یادگیری ماشین نظارت‌شده
• 2. آشنایی با مجموعه‌داده‌ها و پیش‌پردازش داده‌های عددی
• 3. تجزیه و تحلیل آماری داده‌ها برای مدل‌سازی
• 4. معرفی مدل رگرسیون خطی ساده
• 5. تابع هزینه در رگرسیون خطی و مفهوم کمینه‌سازی خطا
• 6. الگوریتم گرادیان کاهشی برای بهینه‌سازی مدل
• 7. پیاده‌سازی رگرسیون خطی چندمتغیره
• 8. نرمال‌سازی ویژگی‌ها و بهبود همگرایی مدل
• 9. بررسی فرضیات آماری در مدل‌های رگرسیونی
• 10. ارزیابی دقت مدل‌های رگرسیون با استفاده از معیارهای خطا
• 11. آشنایی با رگرسیون چندجمله‌ای و مدل‌سازی روابط غیرخطی
• 12. مقدمه‌ای بر طبقه‌بندی و رگرسیون لجستیک
• 13. تابع سیگموئید و تفسیر احتمالات در طبقه‌بندی
• 14. تعیین مرز تصمیم‌گیری در مدل‌های طبقه‌بندی
• 15. مفهوم بیش‌برازش و کم‌برازش در یادگیری ماشین
• 16. روش‌های تنظیم مدل برای مقابله با بیش‌برازش
• 17. پیاده‌سازی رگرسیون لجستیک با تنظیم‌گر (Regularization)
• 18. کاربرد الگوریتم‌های طبقه‌بندی در مسائل واقعی
• 19. معیارهای ارزیابی طبقه‌بندی شامل دقت و فراخوانی
• 20. ماتریس درهم‌ریختگی و تحلیل عملکرد مدل
• 21. آشنایی با ماشین بردار پشتیبان و حاشیه بهینه
• 22. مفهوم کرنل در ماشین بردار پشتیبان برای داده‌های پیچیده
• 23. درخت‌های تصمیم و معیارهای انتخاب ویژگی
• 24. روش‌های هرس کردن برای بهینه‌سازی درخت تصمیم
• 25. الگوریتم جنگل تصادفی و کاهش واریانس مدل
• 26. مقدمه‌ای بر الگوریتم‌های تقویت گرادیان
• 27. روش‌های اعتبارسنجی متقاطع برای ارزیابی مدل
• 28. انتخاب ویژگی و کاهش ابعاد داده‌ها
• 29. کاربرد یادگیری ماشین در تحلیل داده‌های اقتصادی و مالی
• 30. مدل‌سازی پیش‌بینی‌کننده با رویکرد اخلاق‌مدار
• 31. بهینه‌سازی هایپرپارامترها در مدل‌های یادگیری ماشین
• 32. خط لوله یادگیری ماشین از داده خام تا پیش‌بینی
• 33. بررسی چالش‌های داده‌های نامتوازن در طبقه‌بندی
• 34. تکنیک‌های نمونه‌برداری مجدد برای بهبود دقت مدل
• 35. تجسم نتایج مدل‌های یادگیری ماشین
• 36. تفسیرپذیری مدل‌های یادگیری ماشین در محیط‌های سازمانی
• 37. استقرار مدل‌های یادگیری ماشین در سامانه‌های کاربردی
• 38. نگهداری و به‌روزرسانی مدل‌های پیش‌بینی
• 39. امنیت و حریم خصوصی در پردازش داده‌ها
• 40. آینده یادگیری ماشین و نقش آن در تحول دیجیتال کشور