دوره ابزارهای ارزیابی مدل در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ابزارهای ارزیابی مدل در پایتون

موضوع کلی: علم داده

موضوع میانی: ارزیابی مدل

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم ارزیابی مدل
• 2. معیارهای ارزیابی رگرسیون
• 3. معیارهای ارزیابی طبقه‌بندی
• 4. ماتریس درهم‌ریختگی (Confusion Matrix)
• 5. دقت، صحت و فراخوانی
• 6. منحنی ROC و AUC
• 7. اعتبارسنجی متقابل (Cross-Validation)
• 8. انواع روش‌های اعتبارسنجی متقابل
• 9. اعتبارسنجی K-Fold
• 10. اعتبارسنجی Leave-One-Out
• 11. انتخاب ویژگی (Feature Selection)
• 12. روش‌های فیلتر برای انتخاب ویژگی
• 13. روش‌های Wrapper برای انتخاب ویژگی
• 14. روش‌های تعبیه شده برای انتخاب ویژگی
• 15. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 16. جستجوی شبکه‌ای (Grid Search)
• 17. جستجوی تصادفی (Random Search)
• 18. بهینه‌سازی بیزی (Bayesian Optimization)
• 19. ارزیابی مدل‌های درخت تصمیم
• 20. ارزیابی مدل‌های جنگل تصادفی
• 21. ارزیابی مدل‌های ماشین بردار پشتیبان (SVM)
• 22. ارزیابی مدل‌های رگرسیون لجستیک
• 23. ارزیابی مدل‌های شبکه‌های عصبی
• 24. تنظیمات مدل برای جلوگیری از بیش‌برازش (Overfitting)
• 25. تنظیمات مدل برای جلوگیری از کم‌برازش (Underfitting)
• 26. اهمیت ویژگی (Feature Importance)
• 27. نمایش بصری نتایج ارزیابی مدل
• 28. استفاده از کتابخانه Scikit-learn برای ارزیابی
• 29. استفاده از کتابخانه Matplotlib برای نمایش نتایج
• 30. استفاده از کتابخانه Seaborn برای نمایش نتایج
• 31. ارزیابی مدل‌های خوشه‌بندی
• 32. شاخص‌های ارزیابی خوشه‌بندی
• 33. ارزیابی مدل‌های کاهش ابعاد
• 34. شاخص‌های ارزیابی کاهش ابعاد
• 35. ارزیابی مدل‌های شناسایی ناهنجاری
• 36. شاخص‌های ارزیابی شناسایی ناهنجاری
• 37. ارزیابی مدل‌های سری زمانی
• 38. معیارهای ارزیابی سری زمانی
• 39. ارزیابی مدل‌های پردازش زبان طبیعی (NLP)
• 40. معیارهای ارزیابی NLP
• 41. ارزیابی مدل‌های بینایی کامپیوتر
• 42. معیارهای ارزیابی بینایی کامپیوتر
• 43. مستندسازی فرایند ارزیابی مدل
• 44. گزارش‌دهی نتایج ارزیابی مدل
• 45. استفاده از ابزارهای CI/CD برای ارزیابی خودکار مدل