کتاب تصمیم‌گیری مبتنی بر داده با درخت تصمیم با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تصمیم‌گیری مبتنی بر داده با درخت تصمیم

موضوع کلی: مدیریت دانش و داده‌کاوی

موضوع میانی: داده‌کاوی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی تصمیم‌گیری
• 2. آشنایی با درخت تصمیم
• 3. کاربردهای درخت تصمیم در تحلیل داده
• 4. مراحل ساخت یک درخت تصمیم
• 5. انتخاب ویژگی مناسب برای تقسیم‌بندی
• 6. معیارهای ارزیابی کیفیت تقسیم‌بندی
• 7. آنتروپی و اطلاعات
• 8. بهینه‌سازی تقسیم‌بندی با استفاده از آنتروپی
• 9. درخت‌های تصمیم دودویی
• 10. درخت‌های تصمیم چندراهی
• 11. مدل‌سازی داده‌های طبقه‌بندی شده
• 12. مدل‌سازی داده‌های عددی
• 13. پیش‌بینی با استفاده از درخت تصمیم
• 14. ارزیابی دقت درخت تصمیم
• 15. بیش‌برازش (Overfitting) در درخت‌های تصمیم
• 16. روش‌های جلوگیری از بیش‌برازش
• 17. هرس کردن درخت تصمیم
• 18. تنظیم پارامترهای درخت تصمیم
• 19. درخت‌های تصمیم و داده‌های نامتوازن
• 20. روش‌های مقابله با داده‌های نامتوازن
• 21. ترکیب درخت‌های تصمیم (Ensemble Methods)
• 22. جنگل تصادفی (Random Forest)
• 23. Boosting در درخت‌های تصمیم
• 24. آشنایی با الگوریتم AdaBoost
• 25. آشنایی با الگوریتم Gradient Boosting
• 26. مقایسه جنگل تصادفی و Gradient Boosting
• 27. کاربرد درخت‌های تصمیم در بازاریابی
• 28. کاربرد درخت‌های تصمیم در تشخیص تقلب
• 29. کاربرد درخت‌های تصمیم در پزشکی
• 30. کاربرد درخت‌های تصمیم در پیش‌بینی ریسک اعتباری
• 31. کاربرد درخت‌های تصمیم در تحلیل سبد خرید
• 32. کاربرد درخت‌های تصمیم در پیش‌بینی نرخ ریزش مشتری
• 33. تحلیل حساسیت درخت تصمیم
• 34. تفسیر نتایج درخت تصمیم
• 35. مصورسازی درخت تصمیم
• 36. استفاده از درخت تصمیم در داده‌های بزرگ
• 37. بهینه‌سازی عملکرد درخت تصمیم
• 38. مقایسه درخت تصمیم با سایر الگوریتم‌های یادگیری ماشین
• 39. انتخاب بهترین الگوریتم برای مسئله مورد نظر
• 40. پیاده‌سازی درخت تصمیم در پایتون
• 41. استفاده از کتابخانه Scikit-learn برای درخت تصمیم
• 42. کار با داده‌های گمشده در درخت تصمیم
• 43. پیش‌پردازش داده‌ها برای درخت تصمیم
• 44. تکنیک‌های انتخاب ویژگی در درخت تصمیم