کتاب PCA و خوشه‌بندی: ترکیبی قدرتمند با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره PCA و خوشه‌بندی: ترکیبی قدرتمند

موضوع کلی: یادگیری ماشین

موضوع میانی: تحلیل مولفه‌های اصلی (PCA)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل مولفه‌های اصلی
• 2. مفاهیم پایه‌ای در تحلیل مولفه‌های اصلی
• 3. محاسبه ماتریس کوواریانس و همبستگی
• 4. انتخاب تعداد مولفه‌های اصلی
• 5. واریانس توضیح داده شده و اهمیت مولفه‌ها
• 6. تبدیل داده‌ها به فضای مولفه‌های اصلی
• 7. کاربردهای تحلیل مولفه‌های اصلی در کاهش ابعاد
• 8. نرم‌افزارهای کاربردی برای PCA
• 9. تحلیل مولفه‌های اصلی و پیش‌پردازش داده‌ها
• 10. مقایسه PCA با روش‌های کاهش ابعاد دیگر
• 11. محدودیت‌های تحلیل مولفه‌های اصلی
• 12. خوشه‌بندی: مفاهیم و الگوریتم‌ها
• 13. معیارهای فاصله در خوشه‌بندی
• 14. خوشه‌بندی سلسله‌مراتبی: پیوند کامل
• 15. خوشه‌بندی سلسله‌مراتبی: پیوند منفرد
• 16. خوشه‌بندی سلسله‌مراتبی: میانگین پیوند
• 17. خوشه‌بندی K-Means: الگوریتم و مراحل
• 18. تعیین تعداد بهینه خوشه‌ها در K-Means
• 19. مقایسه K-Means با خوشه‌بندی سلسله‌مراتبی
• 20. خوشه‌بندی DBSCAN: تراکم‌محور
• 21. ارزیابی کیفیت خوشه‌بندی
• 22. خوشه‌بندی و داده‌های با ابعاد بالا
• 23. خوشه‌بندی و داده‌های گمشده
• 24. خوشه‌بندی و داده‌های مختلط
• 25. PCA و خوشه‌بندی: ترکیب دو روش
• 26. کاهش ابعاد با PCA پیش از خوشه‌بندی
• 27. خوشه‌بندی مولفه‌های اصلی
• 28. انتخاب ویژگی با PCA برای بهبود خوشه‌بندی
• 29. خوشه‌بندی داده‌های تصویری با PCA
• 30. خوشه‌بندی داده‌های متنی با PCA
• 31. خوشه‌بندی داده‌های ژنتیکی با PCA
• 32. خوشه‌بندی مشتریان با PCA و K-Means
• 33. خوشه‌بندی سنسورهای IoT با PCA
• 34. کاربرد PCA و خوشه‌بندی در تشخیص تقلب
• 35. کاربرد PCA و خوشه‌بندی در بازاریابی
• 36. کاربرد PCA و خوشه‌بندی در بیوانفورماتیک
• 37. کاربرد PCA و خوشه‌بندی در پردازش سیگنال
• 38. کاربرد PCA و خوشه‌بندی در تحلیل شبکه‌های اجتماعی
• 39. PCA و خوشه‌بندی در تحلیل ریسک
• 40. PCA و خوشه‌بندی در تشخیص الگو
• 41. PCA و خوشه‌بندی در تحلیل داده‌های مالی
• 42. مقایسه روش‌های مختلف خوشه‌بندی در عمل
• 43. بهینه‌سازی پارامترها در PCA و خوشه‌بندی
• 44. محاسبه پیچیدگی محاسباتی PCA و خوشه‌بندی
• 45. تحلیل حساسیت نتایج PCA و خوشه‌بندی