دوره یادگیری ماشین آماری: مبانی و پیاده‌سازی کارآمد الگوریتم‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین آماری: مبانی و پیاده‌سازی کارآمد الگوریتم‌ها

موضوع کلی: Foundations of Statistical Learning & Algorithms

موضوع میانی: Statistical Learning Foundations

📋 سرفصل‌های دوره

• 1. مقدمه به یادگیری آماری و کاربردهای آن
• 2. بررسی مفاهیم پایه آمار: توزیع‌ها، انتظار، واریانس
• 3. متغیرهای تصادفی و مبانی نظریه احتمالات در یادگیری
• 4. درک همبستگی و کوواریانس در داده‌ها
• 5. معرفی زبان‌های برنامه‌نویسی R و Python برای یادگیری آماری
• 6. نصب و پیکربندی محیط‌های توسعه‌ای ( Jupyter، RStudio )
• 7. کار با داده‌های واقعی: بارگیری، پیش‌پردازش و بررسی اکتشافی
• 8. مدل‌های خطی تودهای: رگرسیون خطی ساده
• 9. رگرسیون چندمتغیره: مدل‌سازی رابطه با چند پیش‌میزان
• 10. ارزیابی عملکرد مدل‌های خطی: MSE، R-squared، خطاهای باقیمانده
• 11. بهینه‌سازی به روش گرادیان داون (حداقل مربعات)
• 12. ارزیابی آماری ضریب‌های مدل (پاسخگویی، اطمینان)
• 13. مدل‌های خطی با تنظیم‌پذیری: رگرسیون لااسی
• 14. ارزیابی بین‌مدل با استفاده از حداقل مجموع مربعات (AIC) و کروس‌والیدیسی
• 15. ارزیابی بین‌مدل با استفاده از حداقل باور (BIC)
• 16. ارزیابی بین‌مدل با استفاده از ولادیسی‌های شبه‌عینی
• 17. معرفی مدل‌های رگرسیون لجستیک برای پیش‌بینی دسته‌ای
• 18. مدل‌های تحلیل تمایز: کلاس‌نمایی گاوسی و خطی
• 19. ارزیابی عملکرد طبقه‌بندی: ماتریس ابهام، حساسیت، دقت
• 20. بهینه‌سازی لبه‌های مدل با استفاده از روش‌های شبکه عصبی (پیوند با مدل‌های خطی)
• 21. معرفی درختان تصمیم‌گیری: ساخت، تقسیم‌بندی و تفسیر
• 22. مدل‌سازی با استفاده از درختان تصمیم‌گیری: ساخت درخت کامل و چکش‌زنی
• 23. چکش‌زنی درختان تصمیم‌گیری: محدودیت عمق و تعداد برگ‌ها
• 24. بهینه‌سازی درختان تصمیم‌گیری با استفاده از گین اطلاعاتی
• 25. درختان تصمیم‌گیری تصادفی: مفهوم و ساخت
• 26. بهینه‌سازی پارامترهای درختان تصمیم‌گیری تصادفی (عدد درختان، ویژگی‌های نمونه‌ای)
• 27. مدل‌سازی با استفاده از گسترش‌های درختان: Gradient Boosting
• 28. پیاده‌سازی Gradient Boosting با استفاده از XGBoost یا LightGBM
• 29. ارزیابی بین‌مدل برای مدل‌های تقویتی
• 30. مدل‌سازی با استفاده از Support Vector Machines (SVM)
• 31. پیاده‌سازی SVM برای رگرسیون و طبقه‌بندی
• 32. انتخاب هسته و تنظیم‌پذیری پارامتر C و gamma
• 33. ارزیابی عملکرد SVM با استفاده از کروس‌والیدیسی
• 34. معرفی روش‌های خوشه‌بندی: k-means و k-medoids
• 35. ارزیابی کیفیت خوشه‌بندی با استفاده از دلین (Dunn) و سی‌سی (silhouette)
• 36. مدل‌سازی با استفاده از میکسچرهای گاووسی برای داده‌های ترکیبی
• 37. ارزیابی بین‌مدل برای مدل‌های خوشه‌بندی
• 38. مفهوم بازسازی مدل: bootstrap و پیزو‌رِسپونس
• 39. ارزیابی پایداری مدل با استفاده از مقادیر مهم‌ترین ویژگی‌ها
• 40. مدل‌سازی با استفاده از روش‌های بیزانی: Naive Bayes
• 41. پیاده‌سازی Naive Bayes برای داده‌های متنایی و عددی
• 42. ارزیابی عملکرد Naive Bayes با استفاده از ماتریس ابهام
• 43. ارزیابی بین‌مدل برای مدل‌های بیزانی
• 44. ارزیابی عملکرد مدل: معیارهای دقت، یادگیری و صحت
• 45. ارزیابی بین‌مدل: حداقل باور، AIC، BIC
• 46. ارزیابی پایداری مدل با استفاده از کروس‌والیدیسی توالی‌ای
• 47. مدل‌سازی با استفاده از روش‌های یادگیری عمیق: شبکه‌های عصبی مصنوعی
• 48. پیاده‌سازی مدل‌های یادگیری عمیق با استفاده از TensorFlow یا PyTorch
• 49. بهینه‌سازی با استفاده از به‌روزرسانی‌های تصادفی (SGD)
• 50. ارزیابی عملکرد مدل‌های یادگیری عمیق با استفاده از ماتریس ابهام
• 51. ارزیابی بین‌مدل برای مدل‌های یادگیری عمیق
• 52. مدل‌سازی با استفاده از روش‌های یادگیری تقویتی: Q-learning
• 53. پیاده‌سازی Q-learning برای مسائل تقویتی
• 54. ارزیابی عملکرد مدل‌های تقویتی با استفاده از بازگشت
• 55. بهینه‌سازی مدل با استفاده از تکنیک‌های بهینه‌سازی پیشرفته (Adam, RMSprop)
• 56. مدل‌سازی با استفاده از روش‌های یادگیری چندکلاسه (One-vs-All, One-vs-One)
• 57. ارزیابی عملکرد مدل‌های چندکلاسه
• 58. پیش‌پردازش داده‌های چندکلاسه و مدیریت عدم تعادل کلاس‌ها
• 59. مدل‌سازی با استفاده از روش‌های یادگیری تطبیقی (Meta-learning)
• 60. ارزیابی بین‌مدل برای مدل‌های تطبیقی
• 61. ارائه پروژه نهایی: توسعه یک پایتون کامل از مدل یادگیری آماری
• 62. ارتباط‌های نهایی و مسیرهای ادامه‌ی یادگیری