دوره K-نزدیکترین همسایه: ساده و کارآمد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره K-نزدیکترین همسایه: ساده و کارآمد

موضوع کلی: مهارت‌های داده‌کاوی و تحلیل داده

موضوع میانی: قوانین دسته‌بندی

📋 سرفصل‌های دوره

• 1. آشنایی با الگوریتم k-نزدیکترین همسایه
• 2. مفاهیم اساسی یادگیری ماشین نظارت شده
• 3. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی
• 4. مقدمه‌ای بر الگوریتم‌های رگرسیون
• 5. فاصله‌های مختلف در الگوریتم k-NN
• 6. محاسبه فاصله اقلیدسی
• 7. محاسبه فاصله منهتن
• 8. محاسبه فاصله مینکوفسکی
• 9. انتخاب مقدار بهینه k
• 10. روش‌های تعیین مقدار k
• 11. اعتبارسنجی متقابل (Cross-Validation) برای انتخاب k
• 12. تأثیر مقیاس داده‌ها بر k-NN
• 13. نرمال‌سازی داده‌ها
• 14. استانداردسازی داده‌ها
• 15. پیش‌پردازش داده‌ها برای k-NN
• 16. مدیریت داده‌های گمشده (Missing Values)
• 17. مدیریت داده‌های پرت (Outliers)
• 18. پیاده‌سازی k-NN در پایتون با استفاده از Scikit-learn
• 19. آموزش مدل k-NN با Scikit-learn
• 20. پیش‌بینی با استفاده از مدل k-NN آموزش‌دیده
• 21. ارزیابی عملکرد مدل k-NN
• 22. ماتریس درهم‌ریختگی (Confusion Matrix)
• 23. دقت (Accuracy)، صحت (Precision)، و فراخوانی (Recall)
• 24. منحنی ROC و AUC
• 25. بررسی بایاس و واریانس در k-NN
• 26. تکنیک‌های کاهش ابعاد برای k-NN
• 27. تحلیل مولفه‌های اصلی (PCA)
• 28. انتخاب ویژگی (Feature Selection)
• 29. k-NN در داده‌های متنی
• 30. تبدیل متن به بردار با استفاده از TF-IDF
• 31. k-NN در داده‌های تصویری
• 32. استخراج ویژگی از تصاویر
• 33. k-NN برای تشخیص چهره
• 34. k-NN و داده‌های سری زمانی
• 35. پیش‌بینی سری‌های زمانی با k-NN
• 36. کاربردهای k-NN در تشخیص تقلب
• 37. k-NN در سیستم‌های توصیه‌گر
• 38. توصیه‌گرهای مبتنی بر محتوا با استفاده از k-NN
• 39. k-NN و خوشه‌بندی
• 40. مقایسه k-NN با سایر الگوریتم‌های طبقه‌بندی
• 41. k-NN و درخت‌های تصمیم‌گیری
• 42. k-NN و ماشین‌های بردار پشتیبان (SVM)
• 43. بهینه‌سازی k-NN برای مجموعه‌های داده بزرگ
• 44. جستجوی k-NN با استفاده از درخت‌های KD
• 45. جستجوی k-NN با استفاده از درخت‌های Ball