کتاب آموزش جامع الگوریتم‌های طبقه‌بندی در یادگیری ماشین: از مبانی تا کاربردهای عملی در تحلیل داده‌ها با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع الگوریتم‌های طبقه‌بندی در یادگیری ماشین: از مبانی تا کاربردهای عملی در تحلیل داده‌ها

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین و تحلیل داده‌های آماری

📋 سرفصل‌های دوره (100 موضوع)

  • 1. مبانی یادگیری ماشین و نقش الگوریتم‌های طبقه‌بندی در علوم داده
  • 2. مروری بر مفاهیم آماری و احتمالات پایه در تحلیل داده‌ها
  • 3. پیش‌پردازش داده‌ها و آماده‌سازی مجموعه‌های آموزشی
  • 4. پاک‌سازی داده‌های ناقص و مدیریت مقادیر پرت
  • 5. روش‌های نرمال‌سازی و استانداردسازی ویژگی‌ها در داده‌های عددی
  • 6. کدگذاری متغیرهای طبقه‌ای و مهندسی ویژگی‌ها
  • 7. آشنایی با الگوریتم نزدیک‌ترین همسایگی در طبقه‌بندی
  • 8. پیاده‌سازی و ارزیابی الگوریتم KNN با استفاده از معیارهای فاصله
  • 9. مبانی ریاضی و منطق رگرسیون لجستیک در مسائل دوکلاسه
  • 10. بهینه‌سازی ضرایب در رگرسیون لجستیک با استفاده از گرادیان کاهشی
  • 11. توسعه رگرسیون لجستیک برای مسائل چندکلاسه
  • 12. ساختار درخت‌های تصمیم و معیارهای انشعاب
  • 13. پیاده‌سازی درخت‌های تصمیم با استفاده از شاخص جینی و آنتروپی
  • 14. روش‌های هرس کردن درخت برای جلوگیری از بیش‌برازش
  • 15. مبانی نظری الگوریتم بیز ساده و کاربرد آن در تحلیل متن
  • 16. پیاده‌سازی مدل‌های بیز ساده با توزیع‌های گوسی و برنولی
  • 17. مفاهیم پایه ماشین بردار پشتیبان و بیشینه‌سازی حاشیه
  • 18. کاربرد توابع هسته در ماشین بردار پشتیبان برای جداسازی غیرخطی
  • 19. تنظیم پارامترهای C و گاما در الگوریتم SVM
  • 20. ارزیابی عملکرد مدل‌ها با استفاده از ماتریس درهم‌ریختگی
  • 21. محاسبه معیارهای دقت، یادآوری و امتیاز اف
  • 22. تحلیل منحنی‌های مشخصه عملکرد سیستم و مساحت زیر نمودار
  • 23. اعتبارسنجی متقاطع برای ارزیابی دقیق مدل
  • 24. تکنیک‌های مقابله با بیش‌برازش و کم‌برازش در یادگیری ماشین
  • 25. آشنایی با مفاهیم یادگیری جمعی و جنگل‌های تصادفی
  • 26. پیاده‌سازی جنگل‌های تصادفی و تحلیل اهمیت ویژگی‌ها
  • 27. مبانی الگوریتم‌های تقویت گرادیان در مسائل طبقه‌بندی
  • 28. تطبیق مدل‌های طبقه‌بندی با نیازمندی‌های پروژه‌های تحلیل داده
  • 29. بررسی اخلاق در هوش مصنوعی و رعایت حریم خصوصی داده‌ها
  • 30. کاربرد عملی الگوریتم‌های طبقه‌بندی در تحلیل داده‌های مالی و اقتصادی ایران
  • 31. پروژه نهایی: طراحی و پیاده‌سازی یک سامانه طبقه‌بندی داده‌های واقعی
تگ‌ها: الگوریتم‌های طبقه‌بندی تحلیل داده‌ها داده‌کاوی درخت تصمیم رگرسیون لجستیک علوم داده ماشین بردار پشتیبان هوش مصنوعی یادگیری ماشین یادگیری نظارت شده

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.