کتاب یادگیری ماشین برای تحلیل داده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین برای تحلیل داده

موضوع کلی: مدل‌سازی ریاضی پدیده‌های پیچیده

موضوع میانی: مدل‌سازی تحلیل اکتشافی داده

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. انواع الگوریتم‌های یادگیری ماشین
• 3. پیش‌پردازش داده‌ها و پاکسازی
• 4. ویژگی‌گزینی و کاهش ابعاد
• 5. مقدمه‌ای بر رگرسیون خطی
• 6. رگرسیون چندگانه و ارزیابی مدل
• 7. رگرسیون لجستیک برای طبقه‌بندی
• 8. درخت‌های تصمیم‌گیری
• 9. جنگل تصادفی
• 10. ماشین‌های بردار پشتیبان (SVM)
• 11. خوشه‌بندی K-means
• 12. خوشه‌بندی سلسله مراتبی
• 13. ارزیابی خوشه‌بندی
• 14. شبکه‌های عصبی مصنوعی: مبانی
• 15. پرceptron و الگوریتم یادگیری آن
• 16. شبکه‌های عصبی چند لایه
• 17. بهینه‌سازی گرادیان کاهشی
• 18. تابع فعال‌سازی و اهمیت آن
• 19. انتخاب تابع هزینه مناسب
• 20. بیش‌برازش و کم‌برازش
• 21. روش‌های جلوگیری از بیش‌برازش
• 22. اعتبارسنجی متقابل (Cross-Validation)
• 23. مقدمه‌ای بر یادگیری تقویتی
• 24. الگوریتم Q-learning
• 25. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 26. مدل‌های زبانی و توکن‌سازی
• 27. آنالیز احساسات با استفاده از یادگیری ماشین
• 28. تشخیص موجودیت نام‌دار (NER)
• 29. خلاصه‌سازی متن
• 30. سیستم‌های توصیه‌گر مبتنی بر یادگیری ماشین
• 31. توصیه‌گرهای محتوامحور
• 32. توصیه‌گرهای مشارکتی
• 33. یادگیری ماشین در تشخیص تقلب
• 34. یادگیری ماشین در پیش‌بینی سری‌های زمانی
• 35. تحلیل داده‌های متنی با یادگیری ماشین
• 36. استفاده از یادگیری ماشین در تصویربرداری پزشکی
• 37. کاربردهای یادگیری ماشین در بازاریابی
• 38. یادگیری ماشین و امنیت سایبری
• 39. یادگیری ماشین و تحلیل شبکه‌های اجتماعی
• 40. یادگیری ماشین و تحلیل ریسک
• 41. مقدمه‌ای بر یادگیری عمیق
• 42. شبکه‌های کانولوشنی (CNN)
• 43. شبکه‌های بازگشتی (RNN)
• 44. Long Short-Term Memory (LSTM)
• 45. Autoencoders و کاهش ابعاد