اکسپرس 24
کتاب حذف یادگیری در مدل‌های رگرسیون: تکنیک‌ها و کاربردها با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

کتاب حذف یادگیری در مدل‌های رگرسیون: تکنیک‌ها و کاربردها با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

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 حذف یادگیری در مدل‌های رگرسیون: تکنیک‌ها و کاربردها

موضوع کلی: یادگیری ماشین

موضوع میانی: مدل‌های رگرسیون

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر حذف یادگیری در یادگیری ماشین
  • 2. چالش‌های فراموشی داده در مدل‌های رگرسیون
  • 3. بررسی روش‌های سنتی حذف داده و محدودیت‌ها
  • 4. اهمیت حفظ حریم خصوصی و امنیت داده در رگرسیون
  • 5. مفهوم "فراموشی قطعی" (Exact Unlearning)
  • 6. مفهوم "فراموشی تقریبی" (Approximate Unlearning)
  • 7. معرفی روش‌های مبتنی بر بازآموزی (Retraining-Based Methods)
  • 8. بازآموزی کامل (Full Retraining): مزایا و معایب
  • 9. بازآموزی افزایشی (Incremental Retraining): رویکردی کارآمد
  • 10. روش‌های مبتنی بر ذخیره‌سازی نمونه (Sample-Based Methods)
  • 11. روش‌های مبتنی بر گرادیان (Gradient-Based Methods)
  • 12. تحلیل تاثیر حذف داده بر وزن‌های مدل رگرسیون
  • 13. معماری‌های مدل رگرسیون مقاوم در برابر فراموشی
  • 14. حذف یادگیری در رگرسیون خطی
  • 15. حذف یادگیری در رگرسیون لجستیک
  • 16. حذف یادگیری در رگرسیون چندجمله‌ای
  • 17. حذف یادگیری در ماشین‌های بردار پشتیبان (SVM) برای رگرسیون
  • 18. حذف یادگیری در درخت‌های تصمیم و جنگل‌های تصادفی
  • 19. حذف یادگیری در شبکه‌های عصبی برای رگرسیون
  • 20. محاسبه‌ی هزینه حذف یادگیری (Unlearning Cost)
  • 21. بهینه‌سازی فرآیند حذف یادگیری برای کاهش هزینه
  • 22. ارزیابی عملکرد مدل پس از حذف یادگیری
  • 23. معیارهای ارزیابی مناسب برای سنجش کیفیت فراموشی
  • 24. مقایسه روش‌های مختلف حذف یادگیری بر اساس دقت و کارایی
  • 25. پیاده‌سازی حذف یادگیری در پایتون با استفاده از کتابخانه‌های Scikit-learn
  • 26. پیاده‌سازی حذف یادگیری در پایتون با استفاده از TensorFlow/Keras
  • 27. حذف یادگیری در داده‌های جریانی (Streaming Data)
  • 28. حذف یادگیری در محیط‌های توزیع‌شده
  • 29. چالش‌های مقیاس‌پذیری در حذف یادگیری
  • 30. حذف یادگیری در داده‌های دارای برچسب نامطمئن
  • 31. حذف یادگیری و مسائل مربوط به انصاف (Fairness) در مدل‌ها
  • 32. حذف یادگیری و تبعیض الگوریتمی
  • 33. بررسی کاربردهای حذف یادگیری در حوزه‌های مختلف
  • 34. حذف یادگیری در سیستم‌های توصیه‌گر
  • 35. حذف یادگیری در تشخیص تقلب
  • 36. حذف یادگیری در مراقبت‌های بهداشتی و پزشکی
  • 37. حذف یادگیری در داده‌های مالی
  • 38. آینده‌ی حذف یادگیری در یادگیری ماشین
  • 39. تحقیقات و روندهای نوظهور در این زمینه
  • 40. ملاحظات قانونی و اخلاقی در حذف یادگیری
تگ‌ها: approximate unlearning data privacy data removal exact unlearning forgetting data gradient descent keras machine unlearning model updating privacy-preserving machine learning regression models retraining scikit-learn tensorflow حریم خصوصی داده

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.