دوره دسته‌بندی با ماشین‌های بردار پشتیبان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دسته‌بندی با ماشین‌های بردار پشتیبان

موضوع کلی: مهارت‌های داده‌کاوی و تحلیل داده

موضوع میانی: قوانین دسته‌بندی

📋 سرفصل‌های دوره

• 1. دسته‌بندی با ماشین‌های بردار پشتیبان
• 2. مفاهیم پایه‌ای یادگیری ماشین
• 3. مقدمه‌ای بر الگوریتم‌های دسته‌بندی
• 4. مروری بر روش‌های دسته‌بندی سنتی
• 5. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 6. مفهوم ابرصفحه و حاشیه
• 7. بهینه‌سازی حاشیه و تابع هزینه
• 8. هسته‌ها (Kernels) در SVM
• 9. هسته خطی و کاربردهای آن
• 10. هسته چندجمله‌ای و تنظیم پارامترها
• 11. هسته شعاعی (RBF) و تاثیر گاما
• 12. انتخاب هسته مناسب برای داده‌ها
• 13. پیش‌پردازش داده‌ها برای SVM
• 14. نرمال‌سازی و مقیاس‌بندی داده‌ها
• 15. مدیریت داده‌های گمشده
• 16. کاهش ابعاد داده‌ها و انتخاب ویژگی
• 17. اعتبارسنجی متقابل (Cross-Validation) در SVM
• 18. تنظیم پارامترهای SVM با استفاده از اعتبارسنجی متقابل
• 19. معیارهای ارزیابی عملکرد دسته‌بندی
• 20. دقت، صحت، بازیابی و F1-score
• 21. منحنی ROC و AUC
• 22. مجموعه داده‌های نامتعادل و روش‌های مقابله با آن‌ها
• 23. نمونه‌برداری بیش از حد و نمونه‌برداری کمتر
• 24. SVM برای داده‌های چند کلاسه
• 25. روش یک در مقابل همه (One-vs-All)
• 26. روش یک در مقابل یک (One-vs-One)
• 27. پیاده‌سازی SVM در پایتون با استفاده از Scikit-learn
• 28. آماده‌سازی داده‌ها در Scikit-learn
• 29. آموزش مدل SVM در Scikit-learn
• 30. پیش‌بینی و ارزیابی مدل در Scikit-learn
• 31. بهینه‌سازی مدل SVM با استفاده از Grid Search
• 32. تنظیم پارامترهای هسته و C
• 33. روش‌های مقابله با بیش‌برازش (Overfitting)
• 34. تنظیم پیچیدگی مدل
• 35. استفاده از Regularization در SVM
• 36. SVM و داده‌های با ابعاد بالا
• 37. روش‌های کاهش ابعاد برای بهبود عملکرد SVM
• 38. تحلیل حساسیت SVM
• 39. تاثیر تغییرات داده‌ها بر عملکرد مدل
• 40. کاربردهای SVM در تشخیص تصویر
• 41. تشخیص اشیاء در تصاویر
• 42. کاربردهای SVM در پردازش زبان طبیعی
• 43. دسته‌بندی متن و تحلیل احساسات
• 44. SVM و داده‌های سری زمانی
• 45. پیش‌بینی روندها و الگوها