فلش‌کارت‌های آموزشی مهندسی ویژگی برای تشخیص داده‌های نامتعادل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی برای تشخیص داده‌های نامتعادل

موضوع کلی: یادگیری ماشین

موضوع میانی: داده‌کاوی و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های نامتعادل و چالش‌های آن
• 2. اهمیت مهندسی ویژگی در تشخیص داده‌های نامتعادل
• 3. بررسی انواع روش‌های برخورد با داده‌های نامتعادل
• 4. نمونه‌برداری بیش از حد (Over-sampling) و تکنیک‌های آن
• 5. نمونه‌برداری کمتر (Under-sampling) و تکنیک‌های آن
• 6. تکنیک‌های ترکیبی نمونه‌برداری
• 7. تولید داده‌های مصنوعی با استفاده از SMOTE
• 8. تولید داده‌های مصنوعی با استفاده از ADASYN
• 9. آشنایی با روش‌های تشخیص ناهنجاری
• 10. استفاده از الگوریتم‌های تشخیص ناهنجاری برای داده‌های نامتعادل
• 11. مهندسی ویژگی مبتنی بر دامنه (Domain-Based Feature Engineering)
• 12. استخراج ویژگی از داده‌های متنی برای داده‌های نامتعادل
• 13. استخراج ویژگی از داده‌های تصویری برای داده‌های نامتعادل
• 14. استفاده از ویژگی‌های ترکیبی (Feature Interactions)
• 15. انتخاب ویژگی (Feature Selection) برای داده‌های نامتعادل
• 16. روش‌های فیلتری برای انتخاب ویژگی
• 17. روش‌های پوششی (Wrapper) برای انتخاب ویژگی
• 18. روش‌های تعبیه شده (Embedded) برای انتخاب ویژگی
• 19. کاهش ابعاد (Dimensionality Reduction) برای داده‌های نامتعادل
• 20. استفاده از PCA برای کاهش ابعاد
• 21. استفاده از t-SNE برای کاهش ابعاد
• 22. اهمیت ارزیابی مدل در داده‌های نامتعادل
• 23. معیارهای ارزیابی مناسب برای داده‌های نامتعادل (Precision, Recall, F1-score, AUC-ROC)
• 24. استفاده از ماتریس درهم‌ریختگی (Confusion Matrix)
• 25. تکنیک‌های تنظیم آستانه تصمیم‌گیری (Decision Threshold)
• 26. روش‌های یادگیری هزینه حساس (Cost-Sensitive Learning)
• 27. بهینه‌سازی پارامترهای مدل برای داده‌های نامتعادل
• 28. استفاده از الگوریتم‌های Ensemble برای داده‌های نامتعادل
• 29. روش‌های Boosting برای داده‌های نامتعادل (AdaBoost, Gradient Boosting)
• 30. روش‌های Bagging برای داده‌های نامتعادل (Random Forest)
• 31. استفاده از الگوریتم‌های یادگیری عمیق برای داده‌های نامتعادل
• 32. شبکه‌های عصبی کانولوشنی (CNN) برای داده‌های نامتعادل
• 33. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های نامتعادل
• 34. استفاده از Autoencoders برای تشخیص ناهنجاری
• 35. کاربرد مهندسی ویژگی در تشخیص تقلب (Fraud Detection)
• 36. کاربرد مهندسی ویژگی در تشخیص بیماری‌های نادر
• 37. کاربرد مهندسی ویژگی در تشخیص خرابی تجهیزات
• 38. کاربرد مهندسی ویژگی در تشخیص حملات سایبری
• 39. پیاده‌سازی مهندسی ویژگی در پایتون با استفاده از scikit-learn
• 40. پیاده‌سازی مهندسی ویژگی در پایتون با استفاده از imbalanced-learn
• 41. بهره‌گیری از کتابخانه‌های تخصصی مهندسی ویژگی
• 42. بهترین روش‌ها و نکات کلیدی در مهندسی ویژگی برای داده‌های نامتعادل
• 43. مطالعه موردی: تشخیص هرزنامه با استفاده از مهندسی ویژگی
• 44. مطالعه موردی: تشخیص تقلب در تراکنش‌های مالی
• 45. چالش‌ها و محدودیت‌های مهندسی ویژگی
• 46. آینده مهندسی ویژگی در تشخیص داده‌های نامتعادل