دوره الگوریتم‌های تشخیص ناهنجاری: Isolation Forest و One-Class SVM همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های تشخیص ناهنجاری: Isolation Forest و One-Class SVM

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

• 1. الگوریتم تشخیص ناهنجاری چیست
• 2. مفاهیم پایه ناهنجاری و داده پرت
• 3. دسته‌بندی روش‌های تشخیص ناهنجاری
• 4. معرفی و مبانی جنگل ایزوله (Isolation Forest)
• 5. ساختار درختان ایزوله و معیار ناهنجاری
• 6. آموزش مدل جنگل ایزوله
• 7. پارامترهای کلیدی در جنگل ایزوله
• 8. تفسیر نمره ناهنجاری در Isolation Forest
• 9. مزایا و محدودیت‌های جنگل ایزوله
• 10. ارزیابی عملکرد جنگل ایزوله روی داده‌های مصنوعی
• 11. معرفی ماشین بردار پشتیبان تک کلاسه (One-Class SVM)
• 12. مبانی ریاضی One-Class SVM و تابع هسته
• 13. نقش پارامتر nu در One-Class SVM
• 14. تاثیر انتخاب کرنل (خطی، RBF، چندجمله‌ای) بر تشخیص
• 15. آموزش مدل One-Class SVM
• 16. تنظیم پارامتر گاما و انتخاب کرنل مناسب
• 17. مقایسه خروجی تصمیم و فاصله از مرز تصمیم
• 18. ارزیابی One-Class SVM روی داده‌های مصنوعی
• 19. پیش‌پردازش داده‌ها برای الگوریتم‌های ناهنجاری
• 20. استانداردسازی و مقیاس‌سازی ویژگی‌ها
• 21. مدیریت داده‌های گمشده و نویز
• 22. تکنیک‌های کاهش ابعاد و انتخاب ویژگی
• 23. مقایسه تحلیلی Isolation Forest و One-Class SVM
• 24. زمان اجرا و پیچیدگی محاسباتی
• 25. حساسیت به نویز و داده‌های پرت
• 26. مقیاس‌پذیری با حجم و ابعاد داده
• 27. روش‌های ارزیابی مدل‌های ناهنجاری
• 28. معیارهای ارزیابی (دقت، بازیابی، F1)
• 29. منحنی ROC و AUC در داده‌های نامتوازن
• 30. اعتبارسنجی متقابل برای مدل‌های ناهنجاری
• 31. چالش‌های داده‌های نامتوازن در تشخیص ناهنجاری
• 32. روش‌های تعیین آستانه (Threshold) برای تشخیص
• 33. تشخیص ناهنجاری در داده‌های جدولی (Tabular Data)
• 34. استفاده از Isolation Forest برای تشخیص تقلب مالی
• 35. استفاده از One-Class SVM برای تشخیص نفوذ شبکه
• 36. تشخیص ناهنجاری در سری‌های زمانی
• 37. پیش‌بینی نقاط شکست و ناهنجاری‌های زمانی
• 38. مدل‌سازی ویژگی‌های پنجره زمانی
• 39. ترکیب Isolation Forest با پنجره‌های متحرک
• 40. ترکیب One-Class SVM با ویژگی‌های تاخیری
• 41. تشخیص ناهنجاری در داده‌های با ابعاد بالا
• 42. راهکارهای مقابله با نفرین ابعاد
• 43. کاهش ابعاد با PCA و ادغام با مدل‌ها
• 44. تشخیص ناهنجاری برخط (Online Anomaly Detection)
• 45. انطباق مدل‌ها با داده‌های جاری
• 46. محدودیت‌های مدل‌های ایستا در جریان داده
• 47. پیاده‌سازی عملی با Scikit-learn (کد نویسی)
• 48. آموزش و پیش‌بینی با Isolation Forest در پایتون
• 49. آموزش و پیش‌بینی با One-Class SVM در پایتون
• 50. تحلیل خروجی و بصری‌سازی نتایج
• 51. مطالعه موردی: تشخیص تراکنش‌های مشکوک
• 52. مطالعه موردی: تشخیص خرابی در سنسورهای صنعتی
• 53. مطالعه موردی: تشخیص فعالیت غیرعادی کاربر در وب
• 54. روش‌های ترکیبی و مدل‌های جمعی (Ensemble)
• 55. بهبود دقت با ترکیب Isolation Forest و One-Class SVM
• 56. معرفی الگوریتم‌های پیشرفته تر (LOF، Autoencoder)
• 57. مقایسه عملکرد با الگوریتم‌های دیگر ناهنجاری
• 58. تنظیم فراپارامترها با جستجوی شبکه‌ای
• 59. بهترین روش‌ها برای استقرار مدل در محیط تولید
• 60. خلاصه و جمع‌بندی نهایی دوره