دوره تشخیص تقلب با پایتون: از صفر تا قهرمانی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص تقلب با پایتون: از صفر تا قهرمانی

موضوع کلی: علم داده

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تقلب و انواع آن
• 2. آشنایی با داده‌های تقلب: چالش‌ها و ویژگی‌ها
• 3. نصب و راه‌اندازی محیط توسعه پایتون برای تشخیص تقلب
• 4. مروری بر کتابخانه‌های کلیدی پایتون (Pandas، NumPy، Scikit-learn)
• 5. آماده‌سازی داده‌ها: پاکسازی و پیش‌پردازش
• 6. مهندسی ویژگی: استخراج ویژگی‌های مرتبط برای تشخیص تقلب
• 7. بررسی داده‌های نامتعادل (Imbalanced Data) و روش‌های مقابله با آن
• 8. روش‌های نمونه‌برداری برای مقابله با داده‌های نامتعادل (Over-sampling و Under-sampling)
• 9. مدل‌های طبقه‌بندی: مقدمه‌ای بر الگوریتم‌ها
• 10. رگرسیون لجستیک برای تشخیص تقلب
• 11. درخت‌های تصمیم و جنگل تصادفی برای تشخیص تقلب
• 12. ماشین بردار پشتیبان (SVM) برای تشخیص تقلب
• 13. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، Recall، F1-score
• 14. منحنی ROC و AUC برای ارزیابی مدل‌های تشخیص تقلب
• 15. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 16. اعتبارسنجی متقابل (Cross-Validation) برای ارزیابی دقیق‌تر مدل
• 17. تشخیص تقلب با استفاده از الگوریتم‌های Ensemble
• 18. تشخیص ناهنجاری (Anomaly Detection) با استفاده از Isolation Forest
• 19. تشخیص ناهنجاری با استفاده از One-Class SVM
• 20. کار با داده‌های سری زمانی در تشخیص تقلب
• 21. تشخیص تقلب در تراکنش‌های مالی
• 22. تشخیص تقلب در بیمه
• 23. تشخیص تقلب در شبکه‌های اجتماعی
• 24. تشخیص تقلب در داده‌های پزشکی
• 25. تشخیص تقلب در بازاریابی
• 26. استفاده از الگوریتم‌های یادگیری عمیق برای تشخیص تقلب (شبکه‌های عصبی)
• 27. پیاده‌سازی یک سیستم تشخیص تقلب ساده با پایتون
• 28. بهینه‌سازی مدل برای سرعت و کارایی
• 29. استفاده از تکنیک‌های کاهش ابعاد (Dimensionality Reduction)
• 30. مقابله با داده‌های بزرگ در تشخیص تقلب
• 31. مفاهیم پیشرفته در مهندسی ویژگی
• 32. استفاده از روش‌های مبتنی بر قانون (Rule-based methods)
• 33. تشخیص تقلب در داده‌های متنی (Text Data)
• 34. تشخیص تقلب با استفاده از گراف‌ها (Graph Databases)
• 35. تفسیرپذیری مدل‌های تشخیص تقلب (Explainable AI)
• 36. استفاده از Autoencoders برای تشخیص ناهنجاری
• 37. استقرار مدل تشخیص تقلب در محیط عملیاتی
• 38. مانیتورینگ و به‌روزرسانی مدل‌های تشخیص تقلب
• 39. تکنیک‌های مقابله با تقلب‌های جدید و در حال تکامل
• 40. چالش‌های قانونی و اخلاقی در تشخیص تقلب
• 41. مطالعه موردی: تشخیص تقلب در یک مجموعه داده واقعی