فلش‌کارت‌های آموزشی مدل‌سازی داده برای تجزیه و تحلیل پیش‌بینی‌کننده (Predictive Analytics)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی داده برای تجزیه و تحلیل پیش‌بینی‌کننده (Predictive Analytics)

موضوع کلی: برنامه نویسی

موضوع میانی: طراحی و مدل‌سازی داده

📋 سرفصل‌های دوره

• 1. مبانی مدل‌سازی داده و تجزیه و تحلیل پیش‌بینی‌کننده
• 2. مقدمه‌ای بر مدل‌سازی داده و اهمیت آن
• 3. آشنایی با تجزیه و تحلیل پیش‌بینی‌کننده: مفاهیم و کاربردها
• 4. انواع داده: ساخت‌یافته، نیمه‌ساخت‌یافته و بدون ساختار
• 5. مفاهیم پایه آماری: میانگین، میانه، مد، انحراف معیار
• 6. مفاهیم پایه احتمالات و توزیع‌ها
• 7. مفاهیم پایه‌ای در مورد یادگیری ماشین
• 8. پیش‌پردازش داده: پاکسازی و آماده‌سازی
• 9. ابزارهای مورد استفاده در مدل‌سازی داده: زبان‌ها و کتابخانه‌ها
• 10. محیط‌های توسعه و ابزارهای کدنویسی
• 11. زبان‌های برنامه‌نویسی مورد استفاده (Python و R)
• 12. نصب و راه‌اندازی Python و R
• 13. آشنایی با کتابخانه‌های مهم Python (Pandas, NumPy, Scikit-learn)
• 14. آشنایی با کتابخانه‌های مهم R (dplyr, ggplot2, caret)
• 15. مدیریت داده‌ها با Pandas و dplyr
• 16. تجسم داده‌ها: نمودارها و گرافیک‌ها
• 17. روش‌های اکتشافی تحلیل داده (EDA)
• 18. شناسایی و برخورد با داده‌های گمشده
• 19. شناسایی و برخورد با داده‌های پرت
• 20. تبدیل داده‌ها: نرمال‌سازی و استانداردسازی
• 21. تبدیل داده‌ها: رمزگذاری و One-Hot Encoding
• 22. انتخاب ویژگی‌ها: روش‌های فیلترینگ
• 23. انتخاب ویژگی‌ها: روش‌های Wrapper
• 24. انتخاب ویژگی‌ها: روش‌های Embedded
• 25. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 26. کاهش ابعاد: تحلیل تفکیک خطی (LDA)
• 27. مدل‌سازی داده‌های طبقه‌بندی
• 28. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 29. ارزیابی مدل‌های طبقه‌بندی: دقت، حساسیت، فراخوان، F1-Score
• 30. طبقه‌بندی بیز ساده (Naive Bayes)
• 31. درخت تصمیم‌گیری (Decision Tree)
• 32. جنگل تصادفی (Random Forest)
• 33. ماشین بردار پشتیبان (Support Vector Machine - SVM)
• 34. مدل‌سازی داده‌های رگرسیون
• 35. مقدمه‌ای بر مدل‌های رگرسیون
• 36. ارزیابی مدل‌های رگرسیون: MSE, RMSE, MAE, R-squared
• 37. رگرسیون خطی ساده
• 38. رگرسیون خطی چندگانه
• 39. رگرسیون پولی‌نومیال
• 40. رگرسیون Ridge و Lasso
• 41. مدل‌های مبتنی بر گرادیان (Gradient Boosting)
• 42. مدل‌سازی داده‌های خوشه‌بندی
• 43. مقدمه‌ای بر مدل‌های خوشه‌بندی
• 44. خوشه‌بندی K-Means
• 45. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 46. خوشه‌بندی DBSCAN
• 47. ارزیابی مدل‌های خوشه‌بندی
• 48. مدل‌های سری زمانی
• 49. مقدمه‌ای بر سری‌های زمانی
• 50. تحلیل سری‌های زمانی: روند، فصلی بودن، چرخه
• 51. هموارسازی نمایی (Exponential Smoothing)
• 52. مدل ARIMA
• 53. مدل SARIMA
• 54. پیش‌بینی سری‌های زمانی با استفاده از شبکه‌های عصبی
• 55. یادگیری ماشین عمیق و شبکه‌های عصبی
• 56. مقدمه‌ای بر شبکه‌های عصبی
• 57. لایه های شبکه‌های عصبی
• 58. شبکه‌های عصبی پرسپترون چند لایه
• 59. بهینه‌سازی شبکه‌های عصبی
• 60. اعتبارسنجی متقابل (Cross-validation)
• 61. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 62. مدل‌سازی با داده‌های نامتعادل
• 63. تکنیک‌های نمونه‌برداری مجدد (Resampling Techniques)
• 64. ارزیابی مدل با داده‌های نامتعادل
• 65. مدل‌های Ensemble: Bagging, Boosting, Stacking
• 66. مدل‌های Ensemble برای طبقه‌بندی
• 67. مدل‌های Ensemble برای رگرسیون
• 68. آشنایی با متن‌کاوی (Text Mining)
• 69. پیش‌پردازش متن
• 70. تحلیل احساسات (Sentiment Analysis)
• 71. استخراج ویژگی‌ها از متن
• 72. مدل‌های طبقه‌بندی متن
• 73. آشنایی با داده‌های تصویری
• 74. پیش‌پردازش داده‌های تصویری
• 75. استخراج ویژگی‌ها از تصاویر
• 76. مدل‌های طبقه‌بندی تصاویر
• 77. مدل‌سازی داده‌های گراف
• 78. مقدمه‌ای بر داده‌های گراف
• 79. مفاهیم پایه در گراف
• 80. پیاده‌سازی مدل‌های گراف
• 81. مدل‌سازی داده‌های مکانی
• 82. مقدمه‌ای بر داده‌های مکانی
• 83. تکنیک‌های تحلیل داده‌های مکانی
• 84. کاربردها و موارد استفاده
• 85. فرایند توسعه مدل: از مسئله تا راه‌حل
• 86. طراحی و معماری سیستم‌های پیش‌بینی‌کننده
• 87. استقرار مدل (Model Deployment)
• 88. نظارت بر مدل و نگهداری (Model Monitoring and Maintenance)
• 89. مدیریت چرخه عمر مدل
• 90. مفاهیم اخلاقی در هوش مصنوعی و مدل‌سازی داده
• 91. حریم خصوصی و امنیت داده‌ها
• 92. قوانین و مقررات مربوط به داده‌ها
• 93. معرفی ابزارهای تجاری و متن باز
• 94. کتابخانه‌های پیشرفته در Python و R
• 95. بهینه‌سازی عملکرد مدل
• 96. مدیریت منابع محاسباتی
• 97. تکنیک‌های پیشرفته در انتخاب ویژگی‌ها
• 98. روش‌های نوین در کاهش ابعاد
• 99. یادگیری انتقالی (Transfer Learning)
• 100. یادگیری فعال (Active Learning)