دوره ارزیابی و بهبود مدل‌های پیش‌بینی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارزیابی و بهبود مدل‌های پیش‌بینی

موضوع کلی: آمار و مدل‌سازی

موضوع میانی: پیش‌بینی آماری

📋 سرفصل‌های دوره

• 1. ارزیابی مدل‌های پیش‌بینی: مفاهیم و ضرورت‌ها
• 2. معیارهای ارزیابی مدل‌های رگرسیونی
• 3. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 4. ماتریس درهم‌ریختگی و تفسیر آن
• 5. دقت، صحت، و فراخوانی: بررسی دقیق
• 6. منحنی ROC و AUC: درک و کاربرد
• 7. بیش‌برازش و کم‌برازش: شناسایی و مقابله
• 8. اعتبارسنجی متقابل (Cross-Validation): روش‌ها و مزایا
• 9. روش K-Fold Cross-Validation
• 10. اعتبارسنجی Leave-One-Out
• 11. انتخاب ویژگی‌های مهم: روش‌های فیلتر
• 12. انتخاب ویژگی‌های مهم: روش‌های Wrapper
• 13. انتخاب ویژگی‌های مهم: روش‌های Embedded
• 14. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 15. کاهش ابعاد: تحلیل تفکیکی خطی (LDA)
• 16. بهینه‌سازی هایپرپارامترها: جستجوی شبکه‌ای
• 17. بهینه‌سازی هایپرپارامترها: جستجوی تصادفی
• 18. بهینه‌سازی هایپرپارامترها: الگوریتم‌های ژنتیک
• 19. ارزیابی مدل‌های پیش‌بینی سری‌های زمانی
• 20. معیارهای ارزیابی مدل‌های خوشه‌بندی
• 21. خطاهای رایج در ارزیابی مدل‌ها و راه‌های پیشگیری
• 22. تفسیرپذیری مدل‌های پیش‌بینی: اهمیت ویژگی‌ها
• 23. روش‌های بصری‌سازی نتایج مدل
• 24. ارزیابی مدل‌های پیش‌بینی با داده‌های نامتوازن
• 25. تکنیک‌های برخورد با داده‌های نامتوازن: نمونه‌برداری بیش از حد
• 26. تکنیک‌های برخورد با داده‌های نامتوازن: نمونه‌برداری کم‌تر
• 27. ارزیابی مدل‌های پیش‌بینی در محیط‌های پویا
• 28. انتقال یادگیری (Transfer Learning) و ارزیابی
• 29. مدل‌های ترکیبی (Ensemble Methods) و ارزیابی
• 30. Boosting و ارزیابی عملکرد
• 31. Bagging و ارزیابی عملکرد
• 32. استفاده از داده‌های جدید برای ارزیابی مداوم مدل
• 33. آزمون‌های آماری برای مقایسه مدل‌ها
• 34. ارزیابی مدل‌های پیش‌بینی در داده‌های حجیم (Big Data)
• 35. استفاده از Spark برای ارزیابی مدل
• 36. ارزیابی مدل‌های یادگیری عمیق
• 37. محدودیت‌های ارزیابی مدل‌های پیش‌بینی
• 38. اخلاق در ارزیابی مدل‌های پیش‌بینی: سوگیری و انصاف
• 39. مستندسازی فرایند ارزیابی مدل
• 40. ابزارهای رایج برای ارزیابی مدل‌های پیش‌بینی در پایتون
• 41. ابزارهای رایج برای ارزیابی مدل‌های پیش‌بینی در R
• 42. مقایسه روش‌های مختلف ارزیابی مدل
• 43. بهبود مدل‌های پیش‌بینی بر اساس نتایج ارزیابی
• 44. ارزیابی مدل‌های پیش‌بینی با داده‌های گمشده
• 45. ارزیابی مدل‌های پیش‌بینی با داده‌های پرت