کتاب اعتبارسنجی مدل‌های پیش‌بینی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اعتبارسنجی مدل‌های پیش‌بینی

موضوع کلی: علم داده

موضوع میانی: تفکر انتقادی

📋 سرفصل‌های دوره

• 1. مبانی مدل‌های پیش‌بینی
• 2. انواع داده و آماده‌سازی آن‌ها برای مدل‌سازی
• 3. معرفی روش‌های ارزیابی مدل
• 4. متریک‌های ارزیابی رگرسیون
• 5. متریک‌های ارزیابی طبقه‌بندی
• 6. مفهوم بیش‌برازش و کم‌برازش
• 7. روش‌های مقابله با بیش‌برازش
• 8. اعتبارسنجی متقابل (Cross-Validation)
• 9. انواع روش‌های اعتبارسنجی متقابل
• 10. انتخاب ویژگی‌های مهم
• 11. روش‌های انتخاب ویژگی
• 12. اهمیت ویژگی‌ها در مدل‌های خطی
• 13. اهمیت ویژگی‌ها در مدل‌های درختی
• 14. مقدمه‌ای بر رگرسیون خطی
• 15. رگرسیون خطی چندگانه
• 16. فرض‌های رگرسیون خطی
• 17. آزمون‌های بررسی فرض‌های رگرسیون
• 18. رگرسیون لجستیک
• 19. مفهوم تابع سیگموئید
• 20. ارزیابی مدل رگرسیون لجستیک
• 21. مقدمه‌ای بر درخت‌های تصمیم‌گیری
• 22. الگوریتم ID3
• 23. الگوریتم C4.5
• 24. اهمیت شاخص گینی
• 25. مقدمه‌ای بر جنگل تصادفی
• 26. تکنیک Bagging
• 27. تکنیک Boosting
• 28. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 29. هسته‌های مختلف در SVM
• 30. انتخاب پارامترهای بهینه در SVM
• 31. مقدمه‌ای بر شبکه‌های عصبی
• 32. پرceptron
• 33. شبکه‌های عصبی چندلایه
• 34. تابع فعال‌سازی
• 35. الگوریتم Backpropagation
• 36. بهینه‌سازی گرادیان کاهشی
• 37. تنظیم نرخ یادگیری
• 38. اعتبارسنجی مدل‌های پیچیده
• 39. مقدمه‌ای بر مدل‌های سری زمانی
• 40. ARIMA
• 41. انواع مدل‌های سری زمانی
• 42. ارزیابی مدل‌های سری زمانی
• 43. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 44. مفهوم Ensemble Learning
• 45. روش‌های Ensemble Learning