کتاب ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری ماشین (Machine Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و ارزیابی مدل
• 2. انواع مدل‌های یادگیری ماشین و کاربردها
• 3. مجموعه‌داده‌ها و آماده‌سازی داده برای یادگیری ماشین
• 4. پیش‌پردازش داده‌ها: پاکسازی، تبدیل و نرمال‌سازی
• 5. انتخاب ویژگی و کاهش ابعاد
• 6. تقسیم داده‌ها: آموزش، اعتبارسنجی و آزمون
• 7. معیارهای ارزیابی مدل: دقت، صحت، بازخوانی و F1-score
• 8. ماتریس درهم‌ریختگی و تحلیل خطا
• 9. منحنی ROC و AUC
• 10. اعتبارسنجی متقابل (Cross-Validation)
• 11. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 12. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 13. جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی (Random Search)
• 14. روش‌های منظم‌سازی (Regularization)
• 15. ارزیابی مدل‌های طبقه‌بندی
• 16. ارزیابی مدل‌های رگرسیون
• 17. ارزیابی مدل‌های خوشه‌بندی
• 18. مقایسه مدل‌ها و انتخاب بهترین مدل
• 19. روش‌های آنسامبل یادگیری (Ensemble Learning)
• 20. جنگل تصادفی (Random Forest)
• 21. تقویت گرادیانی (Gradient Boosting)
• 22. ماشین‌های بردار پشتیبان (Support Vector Machines)
• 23. شبکه‌های عصبی مصنوعی (Artificial Neural Networks)
• 24. بهینه‌سازی مدل‌های یادگیری ماشین
• 25. یادگیری فعال (Active Learning)
• 26. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 27. یادگیری انتقالی (Transfer Learning)
• 28. تفسیرپذیری مدل‌های یادگیری ماشین
• 29. اهمیت ویژگی (Feature Importance)
• 30. روش‌های LIME و SHAP برای تفسیر مدل
• 31. بهینه‌سازی مدل با استفاده از الگوریتم‌های ژنتیک
• 32. یادگیری تقویتی (Reinforcement Learning) و ارزیابی آن
• 33. ارزیابی مدل‌های یادگیری عمیق
• 34. تکنیک‌های افزایش داده (Data Augmentation)
• 35. مدیریت داده‌های نامتعادل (Imbalanced Data)
• 36. تشخیص ناهنجاری (Anomaly Detection)
• 37. اعتبارسنجی مدل در محیط‌های واقعی
• 38. نظارت بر عملکرد مدل در طول زمان
• 39. به‌روزرسانی و نگهداری مدل‌های یادگیری ماشین
• 40. ابزارهای ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین
• 41. کاربرد ارزیابی مدل در پردازش زبان طبیعی
• 42. کاربرد ارزیابی مدل در بینایی ماشین
• 43. یادگیری ماشین خودکار (AutoML)
• 44. بهینه‌سازی مدل برای منابع محدود
• 45. ارزیابی مدل‌های یادگیری ماشین در داده‌های سری زمانی
• 46. ارزیابی مدل‌های یادگیری ماشین در داده‌های مکانی
• 47. اصول اخلاقی در ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین
• 48. مبانی آمار برای ارزیابی مدل‌های یادگیری ماشین
• 49. تحلیل واریانس (ANOVA)
• 50. آزمون فرضیه (Hypothesis Testing)
• 51. رگرسیون خطی چندگانه
• 52. رگرسیون لجستیک
• 53. مدل‌های خطی تعمیم‌یافته (Generalized Linear Models)
• 54. روش‌های کاهش ابعاد: PCA و t-SNE
• 55. شناسایی پارامترهای مهم در مدل‌ها
• 56. روش‌های ارزیابی مدل‌های یادگیری ماشین در داده‌های بزرگ
• 57. کاربردهای عملی بهینه‌سازی مدل در صنعت