دوره مهندسی ویژگی با پایتون: از داده خام به ورودی مدل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی با پایتون: از داده خام به ورودی مدل

موضوع کلی: هوش مصنوعی بومی و کاربردی

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

• 1. عرفی و مفاهیم پایه مهندسی ویژگی
• 2. آماده‌سازی محیط پایTHON و کتابخانه‌ها
• 3. بررسی اولیه داده (Exploratory Data Analysis)
• 4. مدیریت مقادیر غایب در داده‌ها
• 5. تشخیص و مدیریت مقادیر پرت (Outliers)
• 6. تبدیل متغیرهای رشته‌ای به عددی (Encoding)
• 7. مقیاس‌بندی و نرمال‌سازی ویژگی‌ها (Scaling)
• 8. بین‌ریزی و گروه‌بندی داده‌ها (Binning)
• 9. selects ویژگی با روش‌های فیلتر (Filter Methods)
• 10. selects ویژگی با روش‌های بسته (Wrapper Methods)
• 11. selects ویژگی با روش‌های تعبیه‌شده (Embedded Methods)
• 12. کاهش ابعاد با تحلیل اصلی مولفه‌ها (PCA)
• 13. ساخت ویژگی‌های جدید و تعاملی (Feature Construction)
• 14. مهندسی ویژگی‌های تاریخ و زمان (Date/Time Features)
• 15. استخراج ویژگی از متن با TF-IDF و Word2Vec
• 16. استخراج ویژگی از تصاویر با مدل‌های پیش‌آموزش شده
• 17. مهندسی ویژگی برای داده‌های سری زمانی
• 18. مدیریت داده‌های نامتعادل (Imbalanced Data)
• 19. طراحی لوله‌های پردازش داده با اسکیت-learn (Pipelines)
• 20. ترکیب لوله‌ها با FeatureUnion و ColumnTransformer
• 21. مهندسی ویژگی اختصاصی مدل‌های خطی
• 22. مهندسی ویژگی اختصاصی مدل‌های درختی
• 23. مهندسی ویژگی برای شبکه‌های عصبی
• 24. مهندسی ویژگی برای سیستم‌های توصیه‌گر
• 25. مهندسی ویژگی برای تشخیص انحراف (Anomaly Detection)
• 26. مهندسی ویژگی برای طبقه‌بندی متن پیشرفته
• 27. مهندسی ویژگی‌های جغرافیایی (Geospatial)
• 28. مهندسی ویژگی برای داده‌های گراف
• 29. مهندسی ویژگی برای داده‌های صوتی و تصویری
• 30. مهندسی ویژگی برای داده‌های حسگر (IoT/Sensor)
• 31. معریف ابزارهای خودکار مهندسی ویژگی (Featuretools)
• 32. مفاهیم پیشرفته Feature Store و مدیریت ویژگی
• 33. تشخیص و مدیریت انحراف ویژگی (Feature Drift)
• 34. صحت‌سنجی داده و کنترل کیفیت (Data Validation)
• 35. حذف داده‌های تکراری و کاهش نویز (Deduplication)
• 36. کدگذاری متغیرهای ترتیبی و فاصله‌ای (Ordinal/Distance)
• 37. تکنیک‌های پیشرفته کدگذاری (Target/Frequency Encoding)
• 38. مقیاس‌بندی پیشرفته (RobustScaler, PowerTransformer)
• 39. مهندسی ویژگی برای داده‌های چندmodal (Multimodal)
• 40. مهندسی ویژگی برای مدل‌های بقا (Survival Analysis)
• 41. مهندسی ویژگی برای یادگیری تقویتی (RL)
• 42. بررسی هم‌خطی و ارتباط بین متغیرها (Correlation)
• 43. selects ویژگی با رگولاسیون L1 (Lasso)
• 44. تحلیل اهمیت ویژگی با مدل‌های درختی (Feature Importance)
• 45. حذف ویژگی‌های غیرضروری با RFE
• 46. selects ویژگی با SelectKBest و روش‌های یک‌متغیره
• 47. تحلیل اصلی مولفه‌ها (PCA) در عملیات پایتون
• 48. استخراج ویژگی با خودسازمانده (Autoencoders)
• 49. مهندسی ویژگی برای داده‌های پزشکی و سلامت
• 50. مهندسی ویژگی برای داده‌های مالی و بانکی
• 51. مهندسی ویژگی برای تشخیص کلاه‌قرمزی (Fraud Detection)
• 52. مهندسی ویژگی برای پیش‌بینی رها شدن مشتری (Churn)
• 53. مهندسی ویژگی پیشرفته برای توصیه‌گرها (Advanced)
• 54. مهندسی ویژگی برای موتورهای جستجو و رتبه‌بندی (Search)
• 55. مهندسی ویژگی برای سیستم‌های تبلیغات آنلاین (Ad Systems)
• 56. ساخت و استفاده از Embeddingهای کاربر و آیتم
• 57. مهندسی ویژگی برای توصیه مبتنی بر نشست (Session-based)
• 58. تفاوت مهندسی ویژگی آنلاین و آف‌لاین (Online/Offline)
• 59. مهندسی ویژگی برای آزمون‌های A/B Testing
• 60. مهندسی ویژگی برای نظارت و بهبود مدل‌ها (Monitoring)