دوره کاهش ابعاد داده‌ها با پایتون: از تئوری تا کاربرد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاهش ابعاد داده‌ها با پایتون: از تئوری تا کاربرد

موضوع کلی: یادگیری ماشین و داده‌کاوی

موضوع میانی: پیش‌پردازش و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کاهش ابعاد داده‌ها
• 2. اهمیت کاهش ابعاد در یادگیری ماشین
• 3. چالش‌های ابعاد بالای داده
• 4. روش‌های کاهش ابعاد: یک نمای کلی
• 5. تحلیل مولفه‌های اصلی (PCA): مفاهیم پایه
• 6. PCA: محاسبات و پیاده‌سازی در پایتون
• 7. تفسیر نتایج PCA
• 8. کاربردهای PCA در تحلیل داده
• 9. انتخاب تعداد مولفه‌های اصلی
• 10. مقایسه PCA با سایر روش‌های کاهش ابعاد
• 11. مقیاس‌بندی داده‌ها قبل از PCA
• 12. PCA و داده‌های غیرخطی
• 13. تحلیل تفکیک خطی (LDA): مفاهیم و تفاوت با PCA
• 14. LDA: پیاده‌سازی و کاربردها در طبقه‌بندی
• 15. تحلیل تبعیض‌گر (Discriminant Analysis)
• 16. کاهش ابعاد غیرخطی: مقدمه‌ای بر manifold learning
• 17. همسایگی‌های نزدیک (Nearest Neighbors): مبانی و کاربردها
• 18. تعبیه همسایگی تصادفی (t-SNE): مفاهیم و کاربردها
• 19. t-SNE: پارامترها و تفسیر نتایج
• 20. Umap: روشی نوین برای کاهش ابعاد
• 21. مقایسه t-SNE و Umap
• 22. خودرمزگذارها (Autoencoders) برای کاهش ابعاد
• 23. انواع خودرمزگذارها: undercomplete, sparse, variational
• 24. استفاده از خودرمزگذارها برای تولید ویژگی
• 25. انتخاب روش مناسب کاهش ابعاد: معیارهای ارزیابی
• 26. کاهش ابعاد و تجسم داده‌ها
• 27. کاهش ابعاد برای بهبود عملکرد مدل‌های یادگیری ماشین
• 28. کاهش ابعاد و کاهش پیچیدگی محاسباتی
• 29. کاهش ابعاد در داده‌های متنی
• 30. کاهش ابعاد در داده‌های تصویری
• 31. کاهش ابعاد در داده‌های سری زمانی
• 32. پیش‌پردازش داده‌ها برای کاهش ابعاد
• 33. دسته بندی داده‌های گمشده (Missing Data)
• 34. نرمال‌سازی داده‌ها (Data Normalization)
• 35. استانداردسازی داده‌ها (Data Standardization)
• 36. مدیریت داده‌های پرت (Outlier Detection and Handling)
• 37. تبدیل داده‌های طبقه‌ای (Categorical Data Encoding)
• 38. انتخاب ویژگی (Feature Selection)
• 39. روش‌های فیلتری در انتخاب ویژگی
• 40. روش‌های wrapper در انتخاب ویژگی
• 41. روش‌های embedded در انتخاب ویژگی
• 42. اهمیت انتخاب ویژگی در کاهش ابعاد
• 43. کاهش ابعاد و حفظ اطلاعات مهم
• 44. روش‌های کاهش ابعاد بر اساس ماتریس
• 45. روش‌های کاهش ابعاد بر اساس بردار
• 46. کاهش ابعاد و کاهش نویز
• 47. کاهش ابعاد و افزایش قابلیت تعمیم مدل
• 48. کاهش ابعاد در حجم بالای داده‌ها (Big Data)
• 49. کاهش ابعاد توزیع شده (Distributed Dimensionality Reduction)
• 50. استفاده از Spark برای کاهش ابعاد
• 51. کتابخانه‌های پایتون برای کاهش ابعاد (scikit-learn, TensorFlow, PyTorch)
• 52. بهینه‌سازی پارامترهای کاهش ابعاد
• 53. ارزیابی و اعتبارسنجی نتایج کاهش ابعاد
• 54. کاربرد کاهش ابعاد در خوشه‌بندی داده‌ها
• 55. کاربرد کاهش ابعاد در تشخیص ناهنجاری
• 56. کاربرد کاهش ابعاد در سیستم‌های توصیه‌گر
• 57. کاهش ابعاد و حفظ حریم خصوصی داده‌ها
• 58. مفاهیم پایه در حریم خصوصی داده
• 59. روش‌های حفظ حریم خصوصی در کاهش ابعاد
• 60. کاهش ابعاد و امنیت داده‌ها
• 61. مباحث اخلاقی در کاهش ابعاد و تحلیل داده‌ها
• 62. بررسی موردی: کاهش ابعاد در مجموعه داده‌های پزشکی
• 63. بررسی موردی: کاهش ابعاد در مجموعه داده‌های مالی
• 64. بررسی موردی: کاهش ابعاد در مجموعه داده‌های بازاریابی
• 65. بررسی موردی: کاهش ابعاد در مجموعه داده‌های شبکه‌های اجتماعی
• 66. آینده کاهش ابعاد در یادگیری ماشین
• 67. ترکیب روش‌های کاهش ابعاد
• 68. کاهش ابعاد و یادگیری عمیق
• 69. استفاده از کاهش ابعاد برای بهبود تفسیرپذیری مدل‌ها
• 70. نکات تکمیلی و منابع بیشتر