کتاب مدیریت و رفع داده‌های گمشده: ارتقای کیفیت ویژگی‌ها با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت و رفع داده‌های گمشده: ارتقای کیفیت ویژگی‌ها

موضوع کلی: یادگیری ماشین و داده‌کاوی

موضوع میانی: پیش‌پردازش داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های گمشده و اهمیت مدیریت آن‌ها
• 2. انواع الگوهای داده‌های گمشده (Missing Data Patterns)
• 3. مکانیسم‌های ایجاد داده‌های گمشده: MCAR، MAR، MNAR
• 4. شناسایی الگوهای داده‌های گمشده در عمل
• 5. تاثیر داده‌های گمشده بر مدل‌های یادگیری ماشین
• 6. روش‌های برخورد با داده‌های گمشده: یک نمای کلی
• 7. حذف موارد دارای داده‌های گمشده (Listwise Deletion)
• 8. حذف ویژگی‌های دارای داده‌های گمشده (Pairwise Deletion)
• 9. مزایا و معایب حذف داده‌ها
• 10. جایگزینی داده‌های گمشده با مقادیر ثابت (Constant Imputation)
• 11. جایگزینی با میانگین، میانه و مد (Mean/Median/Mode Imputation)
• 12. جایگزینی با استفاده از رگرسیون (Regression Imputation)
• 13. جایگزینی با استفاده از الگوریتم‌های k-NN (k-Nearest Neighbors Imputation)
• 14. جایگزینی با استفاده از درخت تصمیم (Decision Tree Imputation)
• 15. جایگزینی چندگانه (Multiple Imputation) - مقدمه
• 16. روش‌های زنجیره چند متغیره (MICE - Multivariate Imputation by Chained Equations)
• 17. ارزیابی عملکرد روش‌های جایگزینی داده‌های گمشده
• 18. انتخاب بهترین روش جایگزینی بر اساس نوع داده و الگوی گمشده
• 19. استفاده از کتابخانه‌های Python برای مدیریت داده‌های گمشده: Pandas
• 20. استفاده از کتابخانه‌های Python برای مدیریت داده‌های گمشده: Scikit-learn
• 21. مدیریت داده‌های گمشده در داده‌های سری زمانی
• 22. مدیریت داده‌های گمشده در داده‌های طبقه‌بندی
• 23. تاثیر داده‌های گمشده بر ارزیابی مدل
• 24. استفاده از روش‌های برخورد با داده‌های گمشده در pipelineهای یادگیری ماشین
• 25. بررسی موردی: مدیریت داده‌های گمشده در داده‌های پزشکی
• 26. بررسی موردی: مدیریت داده‌های گمشده در داده‌های مالی
• 27. بررسی موردی: مدیریت داده‌های گمشده در داده‌های نظرسنجی
• 28. بررسی موردی: مدیریت داده‌های گمشده در داده‌های شبکه‌های اجتماعی
• 29. استفاده از روش‌های پیشرفته برای برآورد داده‌های گمشده
• 30. مفهوم Missing Indicator
• 31. ترکیب Missing Indicator با روش‌های جایگزینی
• 32. روش‌های کار با داده‌های گمشده در داده‌های حجیم (Big Data)
• 33. استفاده از روش‌های یادگیری عمیق برای مدیریت داده‌های گمشده
• 34. مدیریت داده‌های گمشده در داده‌های تصویری
• 35. مدیریت داده‌های گمشده در داده‌های متنی
• 36. شناسایی و رفع ناسازگاری‌های ناشی از جایگزینی داده‌ها
• 37. بهینه‌سازی پارامترهای روش‌های جایگزینی داده‌های گمشده
• 38. مقایسه و ارزیابی روش‌های مختلف مدیریت داده‌های گمشده
• 39. تأثیر داده‌های گمشده بر تفسیر نتایج مدل
• 40. بهترین روش‌ها برای مستندسازی فرآیند مدیریت داده‌های گمشده
• 41. ملاحظات اخلاقی در مدیریت داده‌های گمشده