فلش‌کارت‌های آموزشی مدل‌سازی پیش‌بینی‌کننده با R: از مبانی تا تکنیک‌های تخصصی یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی پیش‌بینی‌کننده با R: از مبانی تا تکنیک‌های تخصصی یادگیری ماشین

موضوع کلی: علم داده

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علم داده و یادگیری ماشین
• 2. مقدمه‌ای بر R و RStudio
• 3. انواع داده‌ها در R
• 4. ساختارهای داده در R (بردارها، ماتریس‌ها، لیست‌ها، دیتا فریم‌ها)
• 5. دستکاری داده‌ها با dplyr
• 6. تجسم داده‌ها با ggplot2
• 7. مقدمه‌ای بر آمار توصیفی
• 8. آمار استنباطی و آزمون فرضیه‌ها
• 9. پیش‌پردازش داده‌ها: پاکسازی و تبدیل
• 10. مقیاس‌بندی و نرمال‌سازی داده‌ها
• 11. مهندسی ویژگی: استخراج و انتخاب ویژگی
• 12. مقدمه‌ای بر مدل‌سازی پیش‌بینی‌کننده
• 13. انواع الگوریتم‌های یادگیری ماشین
• 14. رگرسیون خطی ساده
• 15. رگرسیون خطی چندگانه
• 16. رگرسیون لجستیک
• 17. ارزیابی مدل‌های رگرسیونی
• 18. تنظیم مدل‌های رگرسیونی
• 19. دسته‌بندی: مفاهیم و معیارها
• 20. K-نزدیکترین همسایه (KNN)
• 21. درخت‌های تصمیم
• 22. جنگل تصادفی (Random Forest)
• 23. ماشین‌های بردار پشتیبان (SVM)
• 24. ارزیابی مدل‌های دسته‌بندی
• 25. تنظیم مدل‌های دسته‌بندی
• 26. خوشه‌بندی: مفاهیم و معیارها
• 27. K-Means Clustering
• 28. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 29. DBSCAN Clustering
• 30. ارزیابی مدل‌های خوشه‌بندی
• 31. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 32. تحلیل تفکیک خطی (LDA)
• 33. روش‌های انتخاب ویژگی
• 34. انتخاب ویژگی بر اساس فیلتر (Filter Methods)
• 35. انتخاب ویژگی بر اساس پوشش (Wrapper Methods)
• 36. انتخاب ویژگی تعبیه‌شده (Embedded Methods)
• 37. اعتبارسنجی متقابل (Cross-Validation)
• 38. اعتبارسنجی Bootstrap
• 39. تنظیم ابرپارامترها: جستجوی شبکه‌ای (Grid Search)
• 40. تنظیم ابرپارامترها: جستجوی تصادفی (Random Search)
• 41. بهینه‌سازی Bayesian
• 42. مدل‌های خطی تعمیم‌یافته (GLM)
• 43. مدل‌های افزودنی تعمیم‌یافته (GAM)
• 44. مدل‌های بقا
• 45. تحلیل سری‌های زمانی
• 46. شبکه‌های عصبی: مقدمه و مبانی
• 47. پیاده‌سازی شبکه‌های عصبی با Keras
• 48. شبکه‌های عصبی کانولوشنال (CNN)
• 49. شبکه‌های عصبی بازگشتی (RNN)
• 50. یادگیری عمیق برای پردازش زبان طبیعی (NLP)
• 51. یادگیری عمیق برای بینایی ماشین (Computer Vision)
• 52. مدل‌سازی متن: کیسه کلمات (Bag of Words)
• 53. TF-IDF
• 54. Word Embeddings (Word2Vec, GloVe)
• 55. مدل‌سازی موضوع (Topic Modeling)
• 56. تحلیل احساسات (Sentiment Analysis)
• 57. تشخیص تقلب (Fraud Detection)
• 58. سیستم‌های توصیه‌گر (Recommender Systems)
• 59. پیش‌بینی مشتری (Customer Churn Prediction)
• 60. تحلیل سبد بازار (Market Basket Analysis)
• 61. بهینه‌سازی موتور جستجو (SEO)
• 62. مدیریت ریسک اعتباری (Credit Risk Management)
• 63. تحلیل تصاویر پزشکی
• 64. تشخیص اشیاء در تصاویر
• 65. پردازش زبان طبیعی در حوزه سلامت
• 66. تحلیل داده‌های مالی
• 67. پیش‌بینی قیمت سهام
• 68. مدل‌های سری زمانی مالی
• 69. یادگیری تقویتی (Reinforcement Learning)
• 70. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 71. یادگیری فعال (Active Learning)
• 72. یادگیری انتقال (Transfer Learning)
• 73. یادگیری چندگانه (Multi-Task Learning)
• 74. یادگیری ناهموار (Imbalanced Learning)
• 75. متدهای Ensemble: Bagging
• 76. متدهای Ensemble: Boosting (AdaBoost, Gradient Boosting)
• 77. XGBoost
• 78. LightGBM
• 79. CatBoost
• 80. پایپ‌لاین‌های یادگیری ماشین
• 81. استقرار مدل‌های یادگیری ماشین
• 82. استقرار مدل‌ها با Shiny
• 83. استقرار مدل‌ها با Docker
• 84. استقرار مدل‌ها در Cloud (AWS, Azure, GCP)
• 85. مانیتورینگ مدل‌ها
• 86. مدیریت نسخه مدل‌ها
• 87. توضیح‌پذیری مدل (Explainable AI - XAI)
• 88. روش‌های LIME
• 89. روش‌های SHAP
• 90. اخلاق در یادگیری ماشین
• 91. حریم خصوصی داده‌ها
• 92. تعصب در الگوریتم‌ها
• 93. امنیت مدل‌ها
• 94. مقدمه‌ای بر Big Data
• 95. کار با داده‌های بزرگ با Spark و R
• 96. یادگیری ماشین توزیع‌شده
• 97. بهینه‌سازی عملکرد کد R
• 98. مستندسازی کد R
• 99. تست کد R
• 100. مقدمه‌ای بر یادگیری ماشین خودکار (AutoML)