دوره ارزیابی مدل در داده‌های نامتوازن همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارزیابی مدل در داده‌های نامتوازن

موضوع کلی: علم داده

موضوع میانی: ارزیابی مدل

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های نامتوازن
• 2. چالش‌های ارزیابی مدل در داده‌های نامتوازن
• 3. نسبت کلاس و تاثیر آن بر ارزیابی
• 4. معیارهای ارزیابی سنتی و محدودیت‌های آن‌ها
• 5. ماتریس درهم‌ریختگی و تفسیر آن در داده‌های نامتوازن
• 6. دقت، بازخوانی و دقت و ارتباط آن‌ها
• 7. منحنی ROC و AUC و کاربرد آن‌ها
• 8. منحنی Precision-Recall و AUC
• 9. تکنیک‌های نمونه‌برداری بیش از حد (Oversampling)
• 10. تکنیک SMOTE و انواع آن
• 11. تکنیک ADASYN و کاربرد آن
• 12. تکنیک‌های نمونه‌برداری کمتر (Undersampling)
• 13. تکنیک Random Undersampling
• 14. تکنیک Tomek Links و نحوه کارکرد آن
• 15. تکنیک Edited Nearest Neighbors
• 16. ترکیب تکنیک‌های نمونه‌برداری
• 17. هزینه‌محور (Cost-Sensitive) یادگیری
• 18. تنظیم هزینه‌ها برای کلاس‌های مختلف
• 19. الگوریتم‌های یادگیری ماشین حساس به هزینه
• 20. استفاده از درخت تصمیم با وزن‌دهی هزینه
• 21. استفاده از ماشین‌های بردار پشتیبان (SVM) با وزن‌دهی هزینه
• 22. ارزیابی مدل‌های طبقه‌بندی با استفاده از F1-score
• 23. میانگین موزون F1-score
• 24. ارزیابی مدل‌های طبقه‌بندی با استفاده از G-mean
• 25. اهمیت انتخاب آستانه تصمیم‌گیری
• 26. منحنی‌های Lift و Gain
• 27. روش‌های ارزیابی برای داده‌های بسیار نامتوازن
• 28. تکنیک‌های Ensemble برای داده‌های نامتوازن
• 29. استفاده از الگوریتم‌های Boosting
• 30. استفاده از الگوریتم‌های Bagging
• 31. اعتبارسنجی متقابل (Cross-Validation) در داده‌های نامتوازن
• 32. روش‌های اعتبارسنجی متقابل طبقه‌بندی شده
• 33. ارزیابی مدل‌های یادگیری عمیق در داده‌های نامتوازن
• 34. استفاده از توابع زیان (Loss Functions) مناسب
• 35. تنظیم هایپرپارامترها برای داده‌های نامتوازن
• 36. بررسی موردی: تشخیص تقلب در تراکنش‌های مالی
• 37. بررسی موردی: تشخیص بیماری‌های نادر
• 38. بررسی موردی: تشخیص هرزنامه (Spam)
• 39. ارزیابی مدل‌های یادگیری عمیق با استفاده از داده‌های مصنوعی
• 40. تفسیرپذیری مدل‌ها در داده‌های نامتوازن
• 41. اهمیت ویژگی‌ها در داده‌های نامتوازن
• 42. انتخاب ویژگی‌های مهم برای داده‌های نامتوازن
• 43. روش‌های کاهش ابعاد برای داده‌های نامتوازن
• 44. مقایسه روش‌های مختلف ارزیابی مدل
• 45. نکات کلیدی در انتخاب معیار ارزیابی مناسب