فلش‌کارت‌های آموزشی ساخت مدل‌های پیش‌بینی خرابی با پایتون و Scikit-learn

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های پیش‌بینی خرابی با پایتون و Scikit-learn

موضوع کلی: برنامه‌نویسی تابعی

موضوع میانی: History of AI for Predictive Maintenance in Manufacturing Development Sector

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نگهداری پیش‌بینانه و نقش هوش مصنوعی
• 2. مبانی خرابی ماشین‌آلات صنعتی
• 3. جمع‌آوری داده‌های خرابی: منابع و روش‌ها
• 4. پیش‌پردازش داده‌های حسگرها: پاکسازی و نرمال‌سازی
• 5. مهندسی ویژگی: استخراج ویژگی‌های مرتبط با خرابی
• 6. آشنایی با کتابخانه Scikit-learn
• 7. مقدمه‌ای بر مدل‌های یادگیری ماشین برای پیش‌بینی خرابی
• 8. رگرسیون لجستیک برای پیش‌بینی خرابی
• 9. درخت تصمیم و جنگل تصادفی در نگهداری پیش‌بینانه
• 10. ماشین‌های بردار پشتیبان (SVM) برای تشخیص خرابی
• 11. شبکه‌های عصبی مصنوعی (ANN) در پیش‌بینی خرابی
• 12. ارزیابی مدل‌های پیش‌بینی خرابی: معیارها و روش‌ها
• 13. اعتبارسنجی متقابل (Cross-Validation)
• 14. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 15. مدل‌های ensemble و ترکیب‌پذیری
• 16. پیش‌بینی خرابی با استفاده از الگوریتم‌های خوشه‌بندی (Clustering)
• 17. تشخیص ناهنجاری (Anomaly Detection) در داده‌های خرابی
• 18. کار با داده‌های نامتعادل (Imbalanced Data)
• 19. استفاده از تکنیک‌های oversampling و undersampling
• 20. انتخاب ویژگی (Feature Selection) و کاهش ابعاد
• 21. پیاده‌سازی یک سیستم پیش‌بینی خرابی کامل با Scikit-learn
• 22. استقرار مدل پیش‌بینی خرابی در محیط صنعتی
• 23. مانیتورینگ و به‌روزرسانی مدل‌های پیش‌بینی خرابی
• 24. مقدمه‌ای بر یادگیری عمیق (Deep Learning) برای نگهداری پیش‌بینانه
• 25. استفاده از شبکه‌های عصبی کانولوشنال (CNN) برای داده‌های سری زمانی
• 26. استفاده از شبکه‌های عصبی بازگشتی (RNN) برای داده‌های سری زمانی
• 27. پردازش زبان طبیعی (NLP) برای تحلیل گزارش‌های خرابی
• 28. تحلیل متن داده‌های خرابی با استفاده از NLP
• 29. کاربرد یادگیری تقویتی (Reinforcement Learning) در نگهداری پیش‌بینانه
• 30. مبانی تحلیل بقا (Survival Analysis) و کاربرد آن در پیش‌بینی خرابی
• 31. بهینه‌سازی برنامه‌های نگهداری با استفاده از مدل‌های پیش‌بینی
• 32. مفاهیم کلیدی Reliability Centered Maintenance (RCM)
• 33. ادغام مدل‌های پیش‌بینی خرابی با سیستم‌های CMMS
• 34. استفاده از ابزارهای تجسم داده (Data Visualization) برای نمایش نتایج
• 35. مقدمه‌ای بر Big Data و پردازش داده‌های بزرگ در نگهداری پیش‌بینانه