فلش‌کارت‌های آموزشی تکنیک‌های کاهش ابعاد غیرخطی در تحلیل داده‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های کاهش ابعاد غیرخطی در تحلیل داده‌ها

موضوع کلی: علوم کامپیوتر و مهندسی داده

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌ها و کاهش ابعاد
• 2. مبانی یادگیری ماشین
• 3. اهمیت کاهش ابعاد در تحلیل داده‌ها
• 4. انواع روش‌های کاهش ابعاد
• 5. کاهش ابعاد خطی: PCA
• 6. کاربرد PCA در داده‌های بزرگ
• 7. محدودیت‌های PCA
• 8. مقدمه‌ای بر کاهش ابعاد غیرخطی
• 9. نیاز به روش‌های غیرخطی
• 10. مقایسه روش‌های خطی و غیرخطی
• 11. منیفولدها در فضای داده
• 12. مفهوم هندسه ریمانی در داده‌ها
• 13. اصول اساسی کاهش ابعاد غیرخطی
• 14. تکنیک‌های مبتنی بر حفظ فاصله
• 15. t-Distributed Stochastic Neighbor Embedding (t-SNE)
• 16. تنظیم پارامترهای t-SNE
• 17. کاربردهای t-SNE در بصری‌سازی
• 18. محدودیت‌های t-SNE
• 19. LLE: Locally Linear Embedding
• 20. مراحل اجرای LLE
• 21. مزایای LLE
• 22. معایب LLE
• 23. Isomap: Isometric Mapping
• 24. اصول Isomap
• 25. کاربرد Isomap در داده‌های تصویری
• 26. مقایسه Isomap با LLE
• 27. Hessian Eigenmaps
• 28. مبانی Hessian Eigenmaps
• 29. کاربرد Hessian Eigenmaps
• 30. Dimensionality Reduction using Local Models (DRLM)
• 31. مفهوم مدل‌های محلی
• 32. کاربرد DRLM
• 33. Manifold Tangent Space (MTS)
• 34. ایده اصلی MTS
• 35. پیاده‌سازی MTS
• 36. Laplacian Eigenmaps
• 37. اصول Laplacian Eigenmaps
• 38. مقایسه Laplacian Eigenmaps با PCA
• 39. Maximum Variance Unfolding (MVU)
• 40. مفهوم MVU
• 41. مراحل اجرای MVU
• 42. Non-negative Matrix Factorization (NMF)
• 43. کاربرد NMF در تحلیل داده‌ها
• 44. NMF برای کاهش ابعاد
• 45. Autoencoders: شبکه‌های عصبی برای کاهش ابعاد
• 46. معماری Autoencoder
• 47. کاربرد Autoencoder در کاهش ابعاد
• 48. Deep Autoencoders
• 49. Variational Autoencoders (VAEs)
• 50. مبانی VAEs
• 51. کاربرد VAEs در کاهش ابعاد
• 52. Generative Adversarial Networks (GANs)
• 53. مقدمه‌ای بر GANs
• 54. کاربرد GANs در تولید داده و کاهش ابعاد
• 55. Feature Extraction با روش‌های غیرخطی
• 56. بصری‌سازی داده‌های با ابعاد بالا
• 57. تحلیل خوشه‌ای با داده‌های کاهش یافته
• 58. طبقه‌بندی با داده‌های کاهش یافته
• 59. تشخیص ناهنجاری با داده‌های کاهش یافته
• 60. کاربرد کاهش ابعاد در پردازش زبان طبیعی
• 61. کاربرد کاهش ابعاد در بینایی کامپیوتر
• 62. کاربرد کاهش ابعاد در سیستم‌های توصیه‌گر
• 63. تکنیک‌های ترکیبی کاهش ابعاد
• 64. ارزیابی کیفیت کاهش ابعاد
• 65. معیارهای ارزیابی
• 66. انتخاب روش مناسب کاهش ابعاد
• 67. چالش‌های کاهش ابعاد در داده‌های نامتعارف
• 68. کاهش ابعاد در داده‌های زمانی
• 69. کاهش ابعاد در داده‌های گراف
• 70. نکات مهم در پیاده‌سازی
• 71. ملاحظات امنیتی در تحلیل داده‌ها
• 72. اخلاق در هوش مصنوعی و تحلیل داده‌ها
• 73. قوانین و مقررات مرتبط با داده‌ها در ایران
• 74. حفظ حریم خصوصی داده‌ها
• 75. کاربرد روش‌های کاهش ابعاد در هوش تجاری (BI)
• 76. تحلیل داده‌های کلان (Big Data)
• 77. مقدمه‌ای بر یادگیری عمیق در کاهش ابعاد
• 78. شبکه‌های عصبی بازگشتی (RNNs) برای کاهش ابعاد
• 79. شبکه‌های عصبی کانولوشنی (CNNs) برای کاهش ابعاد
• 80. کاربردهای پیشرفته کاهش ابعاد
• 81. تحلیل مولفه‌های مستقل (ICA)
• 82. تکنیک‌های مبتنی بر درخت تصمیم
• 83. Random Forests برای کاهش ابعاد
• 84. Gradient Boosting Machines برای کاهش ابعاد
• 85. تکنیک‌های کاهش ابعاد خطی و غیرخطی در عمل
• 86. مثال‌های عملی از کاهش ابعاد در صنایع مختلف
• 87. فصل پایانی: روندهای آینده در کاهش ابعاد