دوره آموزش جامع انتخاب مدل و کاهش ابعاد در تحلیل داده‌های حجیم و با ابعاد بالا همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع انتخاب مدل و کاهش ابعاد در تحلیل داده‌های حجیم و با ابعاد بالا

موضوع کلی: علم داده و آمار پیشرفته

موضوع میانی: انتخاب مدل برای داده‌های با ابعاد بالا (Model Selection for High Dimensional Data)

📋 سرفصل‌های دوره

• 1. مبانی و چالش‌های کلیدی در تحلیل داده‌های با ابعاد بالا (High-Dimensional Data)
• 2. پدیده‌ی نفرین ابعاد (Curse of Dimensionality) و تأثیر آن بر مدل‌های آماری
• 3. مفاهیم پایه‌ای انتخاب مدل، برازش بیش از حد (Overfitting) و کم‌برازش (Underfitting)
• 4. مفهوم پارسیمونی (Parsimony) و اصل سادگی در مدل‌سازی آماری
• 5. معیارهای اطلاعاتی آکایکه (AIC) و بایزین (BIC) در انتخاب مدل
• 6. معیار اطلاعاتی تصحیح‌شده (AICc) و کاربرد آن در نمونه‌های کوچک
• 7. معیارهای ارزیابی خطر و پیش‌بینی (Prediction Error and Risk Estimation)
• 8. اعتبارسنجی متقابل (Cross-Validation) و انواع آن در داده‌های با ابعاد بالا
• 9. روش‌های کاهش ابعاد خطی: تحلیل مؤلفه‌های اصلی (PCA) و کاربردهای آن
• 10. تحلیل مؤلفه‌های اصلی اساسی (Sparse PCA) برای انتخاب ویژگی
• 11. روش‌های انتخاب ویژگی فیلتر (Filter Methods) و رتبه‌بندی آماری
• 12. روش‌های انتخاب ویژگی پوششی (Wrapper Methods) و الگوریتم‌های جستجو
• 13. روش‌های انتخاب ویژگی جاسازی‌شده (Embedded Methods) در یادگیری ماشین
• 14. ریج رگرسیون (Ridge Regression) و تنظیم‌گری L2 برای کنترل واریانس
• 15. لاسو (Lasso Regression) و تنظیم‌گری L1 برای انتخاب ویژگی و اسپارس‌سازی
• 16. شبکه الاستیک (Elastic Net) و ترکیب جریمه‌های L1 و L2
• 17. رگرسیون مؤلفه‌های اصلی (PCR) و رگرسیون حداقل مربعات جزئی (PLS)
• 18. روش‌های انتخاب مدل گام‌به‌گام (Stepwise Selection) و محدودیت‌های آن‌ها
• 19. انتخاب مدل مبتنی بر اطلاعات پیشین و روش‌های بیزین (Bayesian Model Selection)
• 20. انتخاب مدل تجربی و آزمون‌های فرضیه چندگانه (Multiple Testing)
• 21. نرخ کشف کاذب (FDR) و کنترل آن در انتخاب مدل‌های ژنومی و کلان
• 22. روش‌های انتخاب مدل ناپارامتریک و مبتنی بر درخت‌های تصمیم‌گیری
• 23. جنگل‌های تصادفی (Random Forests) و اهمیت ویژگی‌ها (Feature Importance)
• 24. تقویت گرادیان (Gradient Boosting) و انتخاب مدل در یادگیری جمعی
• 25. روش‌های انتخاب مدل در یادگیری عمیق و شبکه‌های عصبی
• 26. تنظیم‌گری (Regularization) در مدل‌های پیچیده و شبکه‌های عمیق
• 27. انتخاب مدل در داده‌های سری زمانی با ابعاد بالا
• 28. انتخاب مدل در یادگیری بدون نظارت و خوشه‌بندی داده‌های حجیم
• 29. ارزیابی پایداری مدل‌های انتخاب‌شده (Model Stability)
• 30. مقایسه عملکرد مدل‌ها و آزمون‌های آماری مقایسه پیش‌بینی
• 31. پیاده‌سازی عملی تکنیک‌های انتخاب مدل در زبان برنامه‌نویسی پایتون
• 32. پروژه جامع: تحلیل، کاهش ابعاد و انتخاب مدل بهینه روی یک مجموعه داده واقعی با ابعاد بالا