فلش‌کارت‌های آموزشی مهندسی ویژگی برای مدل‌های پیش‌بینی با ریسک بالا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی برای مدل‌های پیش‌بینی با ریسک بالا

موضوع کلی: یادگیری ماشین و داده‌کاوی

موضوع میانی: مهندسی ویژگی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی ویژگی و اهمیت آن در مدل‌های پیش‌بینی
• 2. درک ریسک بالا در پیش‌بینی: چالش‌ها و ملاحظات
• 3. انواع ویژگی‌ها: عددی، دسته‌ای، متنی و زمانی
• 4. پیش‌پردازش داده‌ها: پاکسازی، تبدیل و نرمال‌سازی
• 5. مقیاس‌بندی ویژگی‌ها: Min-Max، Standardization و Robust Scaling
• 6. مدیریت مقادیر گمشده: روش‌ها و استراتژی‌ها
• 7. کدگذاری متغیرهای دسته‌ای: One-Hot Encoding و Label Encoding
• 8. ویژگی‌های ترکیبی: ایجاد ویژگی‌های جدید از ترکیب ویژگی‌های موجود
• 9. تبدیل ویژگی‌های متنی: Bag of Words، TF-IDF و Word Embeddings
• 10. استخراج ویژگی از داده‌های زمانی: Lagged Features، Rolling Statistics و Time Series Decomposition
• 11. انتخاب ویژگی: فیلتر، Wrapper و Embedded Methods
• 12. روش‌های کاهش ابعاد: PCA و t-SNE
• 13. مهندسی ویژگی برای داده‌های نامتوازن: Oversampling و Undersampling
• 14. ایجاد ویژگی‌های تعاملی: بررسی اثرات متقابل بین ویژگی‌ها
• 15. مهندسی ویژگی بر اساس دانش دامنه: استفاده از تخصص برای ایجاد ویژگی‌های مرتبط
• 16. مهندسی ویژگی برای مدل‌های رگرسیونی
• 17. مهندسی ویژگی برای مدل‌های طبقه‌بندی
• 18. مهندسی ویژگی برای مدل‌های درخت تصمیم و Ensemble
• 19. مهندسی ویژگی برای شبکه‌های عصبی
• 20. ارزیابی تاثیر مهندسی ویژگی بر عملکرد مدل
• 21. بهینه‌سازی ویژگی‌ها با استفاده از الگوریتم‌های ژنتیک
• 22. استفاده از AutoFeature Engineering
• 23. مهندسی ویژگی برای داده‌های تصویر و ویدئو
• 24. مهندسی ویژگی برای داده‌های مکانی
• 25. مهندسی ویژگی در مدل‌های پیش‌بینی تقلب
• 26. مهندسی ویژگی در مدل‌های اعتبارسنجی ریسک
• 27. مهندسی ویژگی در مدل‌های پیش‌بینی پزشکی
• 28. مهندسی ویژگی برای داده‌های سری زمانی مالی
• 29. استفاده از Feature Store برای مدیریت ویژگی‌ها
• 30. ملاحظات اخلاقی در مهندسی ویژگی: جلوگیری از سوگیری
• 31. تکنیک‌های پیشرفته مهندسی ویژگی: Feature Hashing و Count Sketches