فلش‌کارت‌های آموزشی پیش‌بینی نرخ ریزش کاربران با ترکیب مدل‌های بقا و یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی نرخ ریزش کاربران با ترکیب مدل‌های بقا و یادگیری ماشین

موضوع کلی: اقتصاد پلتفرم‌های دیجیتال

موضوع میانی: مدل‌های ترکیبی

📋 سرفصل‌های دوره

• 1. مبانی ریزش کاربران در اقتصاد پلتفرم‌های دیجیتال
• 2. تعریف و سنجش نرخ ریزش کاربران
• 3. تفاوت ریزش مشتری، غیرفعال‌شدن و بازگشت کاربر
• 4. ساختار داده‌های کاربر و تاریخچه تعاملات
• 5. مفهوم زمان تا رخداد در تحلیل ریزش
• 6. داده‌های سانسورشده و نقش آن‌ها در تحلیل بقا
• 7. ساخت مجموعه‌داده برای تحلیل زمان‌محور
• 8. تعریف رخداد ریزش و تعیین نقطه پایان مشاهده
• 9. مهندسی ویژگی برای پیش‌بینی ریزش
• 10. ویژگی‌های رفتاری کاربران در پلتفرم
• 11. ویژگی‌های تراکنشی و درآمدی کاربران
• 12. ویژگی‌های تعامل و میزان درگیری کاربر
• 13. ویژگی‌های مربوط به فراوانی و تازگی فعالیت
• 14. مدیریت داده‌های گمشده و ناسازگار
• 15. جلوگیری از نشت اطلاعات در داده‌های زمانی
• 16. تحلیل اکتشافی الگوهای ریزش کاربران
• 17. مفهوم تابع بقا و تابع خطر
• 18. تابع توزیع تجمعی رخداد و ارتباط آن با بقا
• 19. برآورد تابع بقا با روش کاپلان–مایر
• 20. مقایسه منحنی‌های بقا میان گروه‌های کاربری
• 21. آزمون تفاوت منحنی‌های بقا
• 22. تحلیل نرخ خطر در طول چرخه عمر کاربر
• 23. مدل خطر متناسب کاکس
• 24. انتخاب و تفسیر متغیرها در مدل کاکس
• 25. بررسی فرض خطرهای متناسب
• 26. تشخیص نقض فرض خطرهای متناسب
• 27. مدل‌های بقا با متغیرهای وابسته به زمان
• 28. مدل‌های پارامتریک بقا
• 29. مدل‌های Accelerated Failure Time
• 30. مقایسه رویکردهای مختلف مدل‌سازی بقا
• 31. مبانی یادگیری ماشین برای پیش‌بینی ریزش
• 32. رگرسیون لجستیک برای پیش‌بینی ریزش
• 33. درخت تصمیم و جنگل تصادفی
• 34. گرادیان بوستینگ برای پیش‌بینی ریزش
• 35. مدل‌های XGBoost و روش‌های بوستینگ مدرن
• 36. شبکه‌های عصبی برای پیش‌بینی ریزش
• 37. مقایسه یادگیری ماشین با مدل‌های کلاسیک بقا
• 38. محدودیت مدل‌های طبقه‌بندی دودویی برای داده‌های زمان‌محور
• 39. مبانی مدل‌های بقا مبتنی بر یادگیری ماشین
• 40. Survival Random Forest
• 41. مدل‌های بقا مبتنی بر گرادیان بوستینگ
• 42. مدل‌های شبکه عصبی برای تحلیل بقا
• 43. مفهوم Deep Survival Analysis
• 44. معماری مدل‌های ترکیبی بقا و یادگیری ماشین
• 45. ترکیب امتیاز خطر با پیش‌بینی یادگیری ماشین
• 46. ترکیب خروجی مدل‌های بقا و طبقه‌بندی
• 47. Stacking برای مدل‌های پیش‌بینی ریزش
• 48. Ensemble Learning در پیش‌بینی زمان ریزش
• 49. طراحی مدل هیبریدی برای پلتفرم‌های دیجیتال
• 50. انتخاب متغیرها برای مدل ترکیبی
• 51. تنظیم ابرپارامترهای مدل‌های ترکیبی
• 52. اعتبارسنجی متقاطع در داده‌های زمان‌مند
• 53. تقسیم زمانی داده‌های آموزش و آزمون
• 54. ارزیابی مدل با معیارهای C-index و Brier Score
• 55. ارزیابی مدل با ROC-AUC و PR-AUC
• 56. ارزیابی پیش‌بینی احتمال ریزش در افق‌های زمانی مختلف
• 57. کالیبراسیون احتمال ریزش
• 58. مقایسه عملکرد مدل بقا و مدل هیبریدی
• 59. تحلیل اهمیت ویژگی‌ها در مدل‌های ترکیبی
• 60. تفسیرپذیری مدل با SHAP
• 61. شناسایی کاربران پرریسک بر اساس احتمال ریزش
• 62. پیش‌بینی ریزش در افق‌های ۳۰، ۶۰ و ۹۰ روزه
• 63. بخش‌بندی کاربران بر اساس ریسک و زمان ریزش
• 64. تحلیل ناهمگونی ریسک میان گروه‌های کاربران
• 65. استفاده از نتایج مدل برای کمپین‌های حفظ کاربر
• 66. بهینه‌سازی مداخلات نگهداشت بر اساس ریسک
• 67. ارزیابی اثر اقدامات ضدریزش با داده‌های طولی
• 68. پایش عملکرد مدل پس از استقرار
• 69. تشخیص تغییر توزیع داده و افت عملکرد مدل
• 70. به‌روزرسانی دوره‌ای مدل پیش‌بینی ریزش
• 71. ساخت خط لوله پیش‌بینی ریزش از داده تا خروجی
• 72. پیاده‌سازی مدل ترکیبی با Python
• 73. کار با کتابخانه‌های تحلیل بقا در Python
• 74. پیاده‌سازی مدل‌های یادگیری ماشین ریزش
• 75. یکپارچه‌سازی مدل‌های بقا و یادگیری ماشین
• 76. تولید گزارش و داشبورد ریسک ریزش
• 77. پروژه نهایی پیش‌بینی نرخ ریزش کاربران با مدل هیبریدی