دوره آموزش کاربردی تحلیل خوشه‌ای در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی تحلیل خوشه‌ای در پایتون

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: خوشه‌بندی و تحلیل گروه‌ها در داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر خوشه‌بندی و کاربردهای آن
• 2. مروری بر کتابخانه‌های پایتون برای تحلیل خوشه‌ای
• 3. آماده‌سازی و پاک‌سازی داده‌ها برای خوشه‌بندی
• 4. استانداردسازی و نرمال‌سازی ویژگی‌ها
• 5. معرفی معیارهای فاصله و شباهت
• 6. فاصله اقلیدسی، منهتَن و مینکوسکی
• 7. فاصله کسینوسی و ضریب همبستگی
• 8. الگوریتم K-Means و نحوه کار آن
• 9. انتخاب تعداد خوشه‌ها با روش آرنج
• 10. معیار سیلوئت برای ارزیابی خوشه‌ها
• 11. شاخص Davies-Bouldin در ارزیابی
• 12. پیاده‌سازی K-Means در پایتون
• 13. خوشه‌بندی سلسله‌مراتبی و دندروگرام
• 14. الگوریتم ادغامی (Agglomerative) در عمل
• 15. الگوریتم تقسیمی (Divisive) و کاربرد آن
• 16. برش دندروگرام و تعیین خوشه‌ها
• 17. خوشه‌بندی مبتنی بر چگالی با DBSCAN
• 18. تنظیم پارامترهای اپسیلون و MinPts در DBSCAN
• 19. خوشه‌بندی با الگوریتم OPTICS
• 20. مدل‌های مبتنی بر توزیع گاوسی (GMM)
• 21. الگوریتم بیشینه‌سازی انتظار در GMM
• 22. خوشه‌بندی طیفی و مفاهیم پایه
• 23. پیاده‌سازی خوشه‌بندی طیفی در پایتون
• 24. معرفی الگوریتم Mean Shift
• 25. خوشه‌بندی با BIRCH برای داده‌های حجیم
• 26. مقایسه عملکرد الگوریتم‌های مختلف خوشه‌بندی
• 27. پیش‌پردازش داده‌های گسسته و رسته‌ای
• 28. مهندسی ویژگی برای بهبود خوشه‌بندی
• 29. کاهش ابعاد با PCA قبل از خوشه‌بندی
• 30. کاهش ابعاد با t-SNE و UMAP
• 31. ارزیابی درونی خوشه‌ها (Internal Validation)
• 32. ارزیابی بیرونی خوشه‌ها (External Validation)
• 33. معیار Rand Index و Adjusted Rand Index
• 34. معیار Mutual Information برای مقایسه خوشه‌ها
• 35. تشخیص ناهنجاری با خوشه‌بندی
• 36. روش LOF برای تشخیص نقاط پرت
• 37. خوشه‌بندی بر روی داده‌های سری زمانی
• 38. تکنیک‌های خوشه‌بندی متن و اسناد
• 39. بردارسازی متن با TF-IDF و Word2Vec
• 40. خوشه‌بندی تصاویر با ویژگی‌های استخراج‌شده
• 41. خوشه‌بندی با داده‌های گمشده و ناقص
• 42. تکنیک‌های فازی در خوشه‌بندی (Fuzzy C-Means)
• 43. خوشه‌بندی بیزی و مدل‌های ترکیبی
• 44. مقیاس‌پذیری و خوشه‌بندی داده‌های بزرگ
• 45. استفاده از Mini-Batch K-Means
• 46. خوشه‌بندی در بستر Spark و PySpark
• 47. انتخاب الگوریتم مناسب بر اساس نوع داده
• 48. راهکارهای جلوگیری از بیش‌برازش در خوشه‌بندی
• 49. معرفی کتابخانه Scikit-learn برای خوشه‌بندی
• 50. کار با کتابخانه SciPy برای تحلیل سلسله‌مراتبی
• 51. بصری‌سازی خوشه‌ها با Matplotlib و Seaborn
• 52. تحلیل مؤلفه‌های اصلی برای نمایش خوشه‌ها
• 53. مطالعه موردی: بخش‌بندی مشتریان با K-Means
• 54. مطالعه موردی: تحلیل شبکه‌های اجتماعی با خوشه‌بندی
• 55. مطالعه موردی: گروه‌بندی ژن‌ها در بیوانفورماتیک
• 56. مطالعه موردی: تشخیص جوامع در گراف‌ها
• 57. مطالعه موردی: خوشه‌بندی تصاویر پزشکی
• 58. مطالعه موردی: تحلیل خوشه‌ای در بازارهای مالی
• 59. مطالعه موردی: خوشه‌بندی رفتار کاربران وب
• 60. ترکیب خوشه‌بندی با طبقه‌بندی نظارت‌شده
• 61. خوشه‌بندی به عنوان مرحله پیش‌پردازش
• 62. پایپلاین خودکار خوشه‌بندی در پایتون
• 63. ذخیره و بارگذاری مدل‌های خوشه‌بندی
• 64. بهینه‌سازی پارامترها با جستجوی شبکه‌ای
• 65. اشکال‌زدایی و تحلیل خطاهای خوشه‌بندی
• 66. مفاهیم پایداری و تکرارپذیری در خوشه‌بندی
• 67. خوشه‌بندی در یادگیری نیمه‌نظارت‌شده
• 68. نتیجه‌گیری و مسیرهای پیشرفته در تحلیل خوشه‌ای