کتاب دسته‌بندی با SVM: از صفر تا صد با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دسته‌بندی با SVM: از صفر تا صد

موضوع کلی: علوم رایانه و نظریه اطلاعات

موضوع میانی: ماشین‌های بردار پشتیبان (SVM)

📋 سرفصل‌های دوره

• 1. دسته‌بندی با SVM: از صفر تا صد
• 2. مقدمه‌ای بر یادگیری ماشین نظارت‌شده
• 3. یادگیری ماشین و انواع آن
• 4. مفهوم دسته‌بندی و کاربردهای آن
• 5. معرفی الگوریتم ماشین بردار پشتیبان (SVM)
• 6. مبانی ریاضی SVM: جبر خطی و بهینه‌سازی
• 7. فضای ویژگی و هایپرپلن
• 8. حاشیه (Margin) و اهمیت آن
• 9. توابع کرنل (Kernel Functions): مقدمه و انواع
• 10. کرنل خطی و کاربردهای آن
• 11. کرنل چندجمله‌ای و تنظیم پارامترها
• 12. کرنل تابع پایه شعاعی (RBF) و پارامتر گاما
• 13. انتخاب کرنل مناسب برای داده‌ها
• 14. آماده‌سازی داده‌ها برای SVM: نرمال‌سازی و مقیاس‌بندی
• 15. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 16. ارزیابی عملکرد مدل SVM: دقت، صحت، فراخوانی
• 17. ماتریس درهم‌ریختگی (Confusion Matrix) و تفسیر آن
• 18. بررسی بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 19. تنظیم پارامترهای SVM: C و گاما
• 20. روش‌های اعتبارسنجی متقابل (Cross-Validation)
• 21. بهینه‌سازی پارامترها با استفاده از Grid Search
• 22. استفاده از SVM برای داده‌های غیرخطی
• 23. دسته‌بندی چندکلاسه با SVM
• 24. روش One-vs-Rest برای دسته‌بندی چندکلاسه
• 25. روش One-vs-One برای دسته‌بندی چندکلاسه
• 26. SVM و داده‌های نامتعادل (Imbalanced Data)
• 27. تکنیک‌های برخورد با داده‌های نامتعادل: نمونه‌برداری بیش از حد و کمتر از حد
• 28. پیاده‌سازی SVM در پایتون با استفاده از Scikit-learn
• 29. آموزش مدل SVM با Scikit-learn
• 30. پیش‌بینی با مدل SVM آموزش‌دیده
• 31. ذخیره و بارگذاری مدل SVM
• 32. کاربرد SVM در تشخیص تصویر
• 33. کاربرد SVM در پردازش زبان طبیعی (NLP)
• 34. کاربرد SVM در تشخیص تقلب (Fraud Detection)
• 35. مقایسه SVM با سایر الگوریتم‌های دسته‌بندی: درخت تصمیم، جنگل تصادفی
• 36. مزایا و معایب استفاده از SVM
• 37. بهبود عملکرد SVM با استفاده از مهندسی ویژگی
• 38. انتخاب ویژگی (Feature Selection) و اهمیت آن
• 39. کاهش ابعاد (Dimensionality Reduction) و تاثیر آن بر SVM
• 40. روش‌های کاهش ابعاد: PCA و LDA
• 41. بررسی موارد خاص در SVM: داده‌های با ابعاد بالا
• 42. مقیاس‌پذیری SVM و چالش‌های آن
• 43. SVM در مجموعه‌های داده بزرگ
• 44. استفاده از SVM برای داده‌های متنی
• 45. پیش‌پردازش داده‌های متنی برای SVM