فلش‌کارت‌های آموزشی پیش‌پردازش داده‌های مهندسی برای MCMC

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌پردازش داده‌های مهندسی برای MCMC

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: مهندسی (Engineering)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پیش‌پردازش داده در آمار بیزی مهندسی
• 2. اهمیت پیش‌پردازش داده برای مدل‌های MCMC
• 3. بررسی انواع داده‌های مهندسی (پیوسته، گسسته، ترکیبی)
• 4. داده‌های از دست رفته در مهندسی: شناسایی و رویکردها
• 5. روش‌های برخورد با داده‌های پرت (Outlier) در داده‌های مهندسی
• 6. تبدیل داده‌ها: لگاریتمی، ریشه دوم، معکوس و کاربردهایشان
• 7. نرمال‌سازی داده‌ها: روش‌های Min-Max، Z-score و Scaling
• 8. استانداردسازی داده‌ها و اهمیت آن در MCMC
• 9. مدیریت داده‌های فصلی و چرخه‌ای در مهندسی
• 10. کاهش ابعاد داده‌ها: تحلیل مولفه‌های اصلی (PCA)
• 11. انتخاب ویژگی (Feature Selection) برای بهبود عملکرد MCMC
• 12. روش‌های فیلتر کردن ویژگی‌های نامربوط
• 13. مقیاس‌بندی ویژگی‌ها (Feature Scaling) و تاثیر آن بر MCMC
• 14. بررسی هم‌خطی (Multicollinearity) و روش‌های رفع آن
• 15. تخمین پارامترهای توزیع‌های احتمالی برای داده‌های مهندسی
• 16. توزیع‌های احتمالی رایج در داده‌های مهندسی: نرمال، گاما، بتا
• 17. تخمین چولگی و کشیدگی داده‌ها و تاثیر آن‌ها بر MCMC
• 18. بررسی و اصلاح عدم تقارن داده‌ها (Skewness Correction)
• 19. روش‌های برخورد با داده‌های صفر و منفی در مهندسی
• 20. تبدیل داده‌های دسته‌ای (Categorical Data) به عددی
• 21. ایجاد متغیرهای مجازی (Dummy Variables)
• 22. کدگذاری One-Hot Encoding برای داده‌های دسته‌ای
• 23. مدیریت داده‌های متنی در مهندسی (Text Data)
• 24. استفاده از Word Embeddings برای داده‌های متنی
• 25. پیش‌پردازش داده‌های سری زمانی مهندسی
• 26. بررسی ایستایی (Stationarity) در سری‌های زمانی
• 27. روش‌های تبدیل سری‌های زمانی به ایستا
• 28. هموارسازی سری‌های زمانی (Time Series Smoothing)
• 29. استفاده از پنجره‌های متحرک (Moving Averages)
• 30. بررسی و حذف روند (Trend) در سری‌های زمانی
• 31. پیش‌پردازش داده‌های تصویر در مهندسی
• 32. تغییر اندازه و برش تصاویر
• 33. نرمال‌سازی پیکسل‌ها
• 34. اعمال فیلترها برای کاهش نویز در تصاویر
• 35. استفاده از تبدیل فوریه (Fourier Transform) برای تحلیل تصاویر
• 36. پیش‌پردازش داده‌های سنسورها در مهندسی
• 37. کالیبراسیون سنسورها و اصلاح خطاها
• 38. حذف نویز از داده‌های سنسورها
• 39. همگام‌سازی داده‌های چند سنسوری
• 40. بررسی و حذف داده‌های تکراری
• 41. اعتبارسنجی داده‌ها (Data Validation) و اطمینان از صحت آن‌ها
• 42. مستندسازی فرآیند پیش‌پردازش داده‌ها
• 43. نوشتن اسکریپت‌های پیش‌پردازش داده‌ها (Python/R)
• 44. بهینه‌سازی عملکرد اسکریپت‌های پیش‌پردازش