فلش‌کارت‌های آموزشی کشف الگوهای پنهان در داده‌ها با یادگیری بدون نظارت

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف الگوهای پنهان در داده‌ها با یادگیری بدون نظارت

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. مبانی یادگیری بدون نظارت
• 3. انواع داده‌ها و پیش‌پردازش آن‌ها
• 4. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 5. تبدیل و نرمال‌سازی داده‌ها
• 6. استخراج ویژگی و انتخاب ویژگی
• 7. مفهوم خوشه‌بندی و کاربردهای آن
• 8. الگوریتم K-Means و پیاده‌سازی آن
• 9. ارزیابی کیفیت خوشه‌ها در K-Means
• 10. خوشه‌بندی سلسله مراتبی و انواع آن
• 11. الگوریتم‌های خوشه‌بندی سلسله مراتبی تجمعی
• 12. الگوریتم‌های خوشه‌بندی سلسله مراتبی تقسیمی
• 13. خوشه‌بندی مبتنی بر چگالی: DBSCAN
• 14. خوشه‌بندی مبتنی بر چگالی: OPTICS
• 15. کاربرد خوشه‌بندی در بازاریابی و بخش‌بندی مشتریان
• 16. کاربرد خوشه‌بندی در تحلیل تصاویر پزشکی
• 17. کاربرد خوشه‌بندی در تحلیل شبکه‌های اجتماعی
• 18. مفهوم کاهش ابعاد و اهمیت آن
• 19. تحلیل مؤلفه‌های اصلی (PCA)
• 20. پیاده‌سازی PCA و تفسیر نتایج
• 21. تحلیل مؤلفه‌های مستقل (ICA)
• 22. کاربرد PCA در کاهش نویز داده‌ها
• 23. کاربرد PCA در بصری‌سازی داده‌ها
• 24. مفهوم تفکیک مؤلفه‌ها و کاربردهای آن
• 25. مفهوم قواعد وابستگی و کاربردهای آن
• 26. الگوریتم Apriori برای استخراج قواعد وابستگی
• 27. مراحل اجرای الگوریتم Apriori
• 28. ارزیابی قواعد وابستگی: اطمینان و پوشش
• 29. الگوریتم FP-Growth برای استخراج قواعد وابستگی
• 30. مقایسه Apriori و FP-Growth
• 31. کاربرد قواعد وابستگی در تحلیل سبد خرید
• 32. کاربرد قواعد وابستگی در تحلیل داده‌های ژنتیکی
• 33. کاربرد قواعد وابستگی در تحلیل داده‌های وب
• 34. مفهوم تشخیص ناهنجاری و اهمیت آن
• 35. روش‌های آماری برای تشخیص ناهنجاری
• 36. تشخیص ناهنجاری مبتنی بر خوشه‌بندی
• 37. تشخیص ناهنجاری مبتنی بر درخت‌های تصمیم
• 38. تشخیص ناهنجاری مبتنی بر ماشین‌های بردار پشتیبان (SVM)
• 39. تشخیص ناهنجاری در داده‌های سری زمانی
• 40. کاربرد تشخیص ناهنجاری در کشف تقلب
• 41. کاربرد تشخیص ناهنجاری در نظارت بر سیستم‌ها
• 42. مفهوم مدل‌سازی داده و انواع آن
• 43. مدل‌سازی داده با استفاده از توزیع‌های احتمال
• 44. مدل‌سازی داده با استفاده از شبکه‌های بیزی
• 45. مقدمه‌ای بر یادگیری تقویتی
• 46. مفهوم عامل، محیط، حالت و عمل
• 47. تابع پاداش و سیاست
• 48. یادگیری Q و الگوریتم Q-Learning
• 49. یادگیری Off-policy و On-policy
• 50. شبکه‌های عصبی در یادگیری تقویتی
• 51. یادگیری عمیق تقویتی
• 52. کاربرد یادگیری تقویتی در رباتیک
• 53. کاربرد یادگیری تقویتی در بازی‌ها
• 54. کاربرد یادگیری تقویتی در مدیریت منابع
• 55. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 56. نورون مصنوعی و تابع فعال‌سازی
• 57. شبکه‌های عصبی پیشخور
• 58. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 59. بهینه‌سازی در شبکه‌های عصبی
• 60. شبکه‌های عصبی کانولوشنال (CNN)
• 61. کاربرد CNN در پردازش تصویر
• 62. شبکه‌های عصبی بازگشتی (RNN)
• 63. کاربرد RNN در پردازش زبان طبیعی
• 64. شبکه‌های عصبی ترانسفورمر
• 65. یادگیری انتقالی و کاربردهای آن
• 66. یادگیری نیمه‌نظارتی
• 67. یادگیری فعال
• 68. یادگیری فدرال
• 69. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 70. چالش‌های داده‌های بزرگ
• 71. ابزارهای پردازش داده‌های بزرگ: Hadoop
• 72. ابزارهای پردازش داده‌های بزرگ: Spark
• 73. پایگاه داده‌های NoSQL
• 74. پردازش دسته‌ای و پردازش جریانی
• 75. معماری‌های پردازش داده‌های بزرگ
• 76. امنیت در داده‌های بزرگ
• 77. اخلاق در داده‌های بزرگ
• 78. کاربرد علم داده در صنعت
• 79. کاربرد علم داده در حوزه سلامت
• 80. کاربرد علم داده در حوزه مالی
• 81. کاربرد علم داده در حوزه دولت
• 82. آینده علم داده و یادگیری ماشین
• 83. مباحث پیشرفته در خوشه‌بندی
• 84. مباحث پیشرفته در کاهش ابعاد
• 85. مباحث پیشرفته در قواعد وابستگی
• 86. مباحث پیشرفته در تشخیص ناهنجاری
• 87. مباحث پیشرفته در مدل‌سازی داده
• 88. مباحث پیشرفته در یادگیری تقویتی
• 89. مباحث پیشرفته در شبکه‌های عصبی
• 90. مباحث پیشرفته در داده‌های بزرگ
• 91. پروژه‌های عملی در علم داده
• 92. ارزیابی و انتخاب الگوریتم مناسب
• 93. ملاحظات عملی در پیاده‌سازی مدل‌ها
• 94. اهمیت تفسیرپذیری مدل‌ها
• 95. چالش‌های مقیاس‌پذیری در یادگیری ماشین
• 96. مرور و جمع‌بندی مباحث
• 97. مبانی مهندسی ویژگی در یادگیری بدون نظارت
• 98. روش‌های پیشرفته خوشه‌بندی
• 99. تکنیک‌های نوآورانه کاهش ابعاد
• 100. استخراج الگوهای پیچیده از داده‌ها