دوره شناسایی و حذف داده‌های پرت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شناسایی و حذف داده‌های پرت

موضوع کلی: مبانی و مفاهیم علوم داده

موضوع میانی: پیش‌پردازش و پاک‌سازی داده

📋 سرفصل‌های دوره

• 1. شناسایی داده‌های پرت در مجموعه‌های داده
• 2. مفهوم و اهمیت داده‌های پرت
• 3. انواع داده‌های پرت و ویژگی‌های آن‌ها
• 4. روش‌های بصری شناسایی داده‌های پرت
• 5. هیستوگرام و تشخیص داده‌های پرت
• 6. نمودار جعبه‌ای و شناسایی داده‌های پرت
• 7. نمودار پراکندگی و شناسایی داده‌های پرت
• 8. آزمون‌های آماری برای تشخیص داده‌های پرت
• 9. آزمون Z و داده‌های پرت
• 10. آزمون گرابز برای شناسایی داده‌های پرت
• 11. آزمون دایسون برای شناسایی داده‌های پرت
• 12. روش‌های مبتنی بر فاصله برای شناسایی داده‌های پرت
• 13. فاصله اقلیدسی و داده‌های پرت
• 14. فاصله منهتن و داده‌های پرت
• 15. روش‌های خوشه‌بندی برای شناسایی داده‌های پرت
• 16. خوشه‌بندی K-means و داده‌های پرت
• 17. خوشه‌بندی سلسله مراتبی و داده‌های پرت
• 18. روش‌های مبتنی بر درخت برای شناسایی داده‌های پرت
• 19. درخت تصمیم و داده‌های پرت
• 20. جنگل تصادفی و داده‌های پرت
• 21. تأثیر داده‌های پرت بر مدل‌های آماری
• 22. رگرسیون خطی و داده‌های پرت
• 23. رگرسیون لجستیک و داده‌های پرت
• 24. مدل‌های سری زمانی و داده‌های پرت
• 25. روش‌های برخورد با داده‌های پرت
• 26. حذف داده‌های پرت
• 27. تبدیل داده‌های پرت
• 28. جایگزینی داده‌های پرت با مقادیر دیگر
• 29. استفاده از روش‌های مقاوم در برابر داده‌های پرت
• 30. اثر داده‌های پرت بر خوشه‌بندی
• 31. ارزیابی عملکرد مدل پس از حذف داده‌های پرت
• 32. شناسایی داده‌های پرت در داده‌های چندمتغیره
• 33. تحلیل مولفه‌های اصلی و داده‌های پرت
• 34. تحلیل تمایز خطی و داده‌های پرت
• 35. شناسایی داده‌های پرت در داده‌های مکانی
• 36. داده‌های پرت در داده‌های حسگر
• 37. داده‌های پرت در شبکه‌های اجتماعی
• 38. شناسایی داده‌های پرت در داده‌های مالی
• 39. داده‌های پرت در داده‌های پزشکی
• 40. استفاده از الگوریتم‌های یادگیری ماشین برای شناسایی داده‌های پرت
• 41. تشخیص ناهنجاری با استفاده از شبکه‌های عصبی
• 42. تشخیص ناهنجاری با استفاده از ماشین‌های بردار پشتیبان
• 43. تشخیص ناهنجاری با استفاده از جنگل‌های ایزوله
• 44. تحلیل حساسیت مدل به داده‌های پرت
• 45. بررسی تأثیر تغییرات کوچک در داده‌ها بر نتایج مدل