دوره تشخیص ناهنجاری پیشرفته (Advanced Anomaly Detection) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری پیشرفته (Advanced Anomaly Detection)

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تشخیص ناهنجاری پیشرفته
• 2. مروری بر روش‌های سنتی تشخیص ناهنجاری
• 3. مبانی آمار و احتمال برای تشخیص ناهنجاری
• 4. مفاهیم یادگیری ماشین در تشخیص ناهنجاری
• 5. انتخاب ویژگی و مهندسی ویژگی برای تشخیص ناهنجاری
• 6. تشخیص ناهنجاری با استفاده از الگوریتم‌های خوشه‌بندی (K-Means, DBSCAN)
• 7. تشخیص ناهنجاری با استفاده از الگوریتم‌های مبتنی بر فاصله (LOF, KNN)
• 8. مدل‌های ایزوله فارست (Isolation Forest)
• 9. ماشین‌های بردار پشتیبان یک‌کلاسه (One-Class SVM)
• 10. روش‌های تشخیص ناهنجاری مبتنی بر بازسازی (Reconstruction-based Anomaly Detection)
• 11. اتوانکودرها برای تشخیص ناهنجاری (Autoencoders for Anomaly Detection)
• 12. شبکه‌های عصبی خودرمزگذار متغیر (Variational Autoencoders - VAEs)
• 13. GANها برای تشخیص ناهنجاری (GANs for Anomaly Detection)
• 14. تشخیص ناهنجاری در داده‌های سری زمانی (Time Series Anomaly Detection)
• 15. مدل‌های ARIMA برای تشخیص ناهنجاری در سری زمانی
• 16. LSTM و تشخیص ناهنجاری در سری زمانی
• 17. تشخیص ناهنجاری چندمتغیره (Multivariate Anomaly Detection)
• 18. تشخیص ناهنجاری مبتنی بر درخت تصمیم (Decision Tree-based Anomaly Detection)
• 19. روش‌های آماری برای تشخیص ناهنجاری در داده‌های چندمتغیره
• 20. تشخیص ناهنجاری با استفاده از جنگل تصادفی (Random Forest)
• 21. Gradient Boosting برای تشخیص ناهنجاری
• 22. تشخیص ناهنجاری در داده‌های دسته‌ای (Batch Anomaly Detection)
• 23. تشخیص ناهنجاری در داده‌های جریانی (Stream Anomaly Detection)
• 24. مدل‌های تشخیص ناهنجاری آنلاین (Online Anomaly Detection Models)
• 25. ارزیابی عملکرد مدل‌های تشخیص ناهنجاری
• 26. معیارهای ارزیابی (Precision, Recall, F1-Score, AUC)
• 27. ماتریس درهم‌ریختگی (Confusion Matrix)
• 28. تشخیص ناهنجاری در داده‌های تصویر (Image Anomaly Detection)
• 29. تشخیص ناهنجاری در داده‌های متنی (Text Anomaly Detection)
• 30. تشخیص ناهنجاری در شبکه‌های اجتماعی
• 31. تشخیص ناهنجاری در داده‌های تراکنشی (Transactional Data)
• 32. کاربردهای تشخیص ناهنجاری در امنیت سایبری
• 33. کاربردهای تشخیص ناهنجاری در تشخیص تقلب (Fraud Detection)
• 34. کاربردهای تشخیص ناهنجاری در پایش سلامت (Health Monitoring)
• 35. کاربردهای تشخیص ناهنجاری در اینترنت اشیا (IoT Anomaly Detection)
• 36. بهینه‌سازی پارامترهای مدل‌های تشخیص ناهنجاری
• 37. انتخاب مدل مناسب بر اساس نوع داده و کاربرد
• 38. مقایسه روش‌های تشخیص ناهنجاری مختلف
• 39. پیاده‌سازی تشخیص ناهنجاری با استفاده از پایتون و کتابخانه‌های مربوطه
• 40. استفاده از Scikit-learn برای تشخیص ناهنجاری
• 41. استفاده از TensorFlow/Keras برای تشخیص ناهنجاری
• 42. استفاده از PyTorch برای تشخیص ناهنجاری
• 43. مبانی کار با داده‌های نامتوازن (Imbalanced Data)
• 44. روش‌های مقابله با داده‌های نامتوازن (SMOTE, ADASYN)
• 45. تفسیرپذیری مدل‌های تشخیص ناهنجاری (Explainable Anomaly Detection)
• 46. LIME و SHAP برای تفسیرپذیری
• 47. تشخیص ناهنجاری با استفاده از روش‌های مبتنی بر قوانین (Rule-based Anomaly Detection)
• 48. تشخیص ناهنجاری در داده‌های مکانی (Spatial Anomaly Detection)
• 49. تشخیص ناهنجاری با استفاده از روش‌های نیمه‌نظارتی (Semi-Supervised Anomaly Detection)
• 50. تکنیک‌های کاهش ابعاد برای تشخیص ناهنجاری (Dimensionality Reduction)
• 51. PCA و t-SNE برای تشخیص ناهنجاری