دوره مدیریت بیش‌برازش و کم‌برازش همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت بیش‌برازش و کم‌برازش

موضوع کلی: علم داده

موضوع میانی: ارزیابی مدل

📋 سرفصل‌های دوره

• 1. مبانی آماری یادگیری ماشین
• 2. بیش‌برازش: تعریف و شناسایی
• 3. کم‌برازش: تعریف و شناسایی
• 4. اثرات بیش‌برازش بر عملکرد مدل
• 5. اثرات کم‌برازش بر عملکرد مدل
• 6. مجموعه داده‌های آموزشی، اعتبارسنجی و آزمون
• 7. روش‌های ارزیابی مدل‌های یادگیری ماشین
• 8. معیارهای ارزیابی رگرسیون
• 9. معیارهای ارزیابی طبقه‌بندی
• 10. اعتبارسنجی متقابل (Cross-Validation)
• 11. اعتبارسنجی k-fold
• 12. روش‌های تنظیم پارامترهای مدل
• 13. تنظیم پارامتر با جستجوی شبکه‌ای (Grid Search)
• 14. تنظیم پارامتر با جستجوی تصادفی (Random Search)
• 15. محدودسازی (Regularization): L1 (LASSO)
• 16. محدودسازی: L2 (Ridge)
• 17. محدودسازی: Elastic Net
• 18. انتخاب ویژگی (Feature Selection)
• 19. روش‌های فیلتر در انتخاب ویژگی
• 20. روش‌های wrapper در انتخاب ویژگی
• 21. روش‌های تعبیه شده (Embedded) در انتخاب ویژگی
• 22. کاهش ابعاد (Dimensionality Reduction)
• 23. تحلیل مولفه‌های اصلی (PCA)
• 24. انتخاب ویژگی با استفاده از PCA
• 25. درخت تصمیم (Decision Tree)
• 26. جنگل تصادفی (Random Forest)
• 27. تقویت گرادیانی (Gradient Boosting)
• 28. ماشین بردار پشتیبان (SVM)
• 29. تنظیم کرنل در SVM
• 30. شبکه‌های عصبی (Neural Networks)
• 31. بیش‌برازش در شبکه‌های عصبی
• 32. روش‌های جلوگیری از بیش‌برازش در شبکه‌های عصبی
• 33. Dropout
• 34. Batch Normalization
• 35. Early Stopping
• 36. یادگیری انتقالی (Transfer Learning)
• 37. تنظیم دقیق (Fine-tuning)
• 38. افزایش داده (Data Augmentation)
• 39. مدل‌های ensemble
• 40. Bagging
• 41. Boosting
• 42. استفاده از داده‌های نامتوازن
• 43. تکنیک‌های نمونه‌برداری بیش از حد (Oversampling)
• 44. تکنیک‌های نمونه‌برداری کمتر از حد (Undersampling)
• 45. ارزیابی مدل‌های یادگیری ماشین در داده‌های جدید