کتاب صوتی الگوریتم‌های طبقه‌بندی: decision tree و support vector machine

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های طبقه‌بندی: decision tree و support vector machine

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

• 1. مبانی و پیش‌نیازها:
• 2. مقدمه‌ای بر برنامه‌نویسی و اهمیت الگوریتم‌ها
• 3. مروری بر زبان‌های برنامه‌نویسی مناسب برای یادگیری (پایتون، R)
• 4. نصب و راه‌اندازی محیط توسعه (IDE) و کتابخانه‌های مورد نیاز
• 5. مفاهیم اولیه الگوریتم: ورودی، خروجی، مراحل
• 6. آشنایی با انواع داده‌ها و ساختارهای داده‌ای اولیه
• 7. مروری بر مفاهیم ریاضی مورد نیاز (جبر خطی، آمار)
• 8. مقدمه‌ای بر یادگیری ماشین و انواع آن
• 9. آشنایی با مفاهیم طبقه‌بندی (Classification)
• 10. معرفی مجموعه داده‌ها و نحوه آماده‌سازی داده‌ها
• 11. اصول ارزیابی مدل‌های طبقه‌بندی (Accuracy, Precision, Recall, F1-score)
• 12. Decision Tree:
• 13. مقدمه‌ای بر درخت تصمیم (Decision Tree)
• 14. ساختار و اجزای درخت تصمیم: گره، شاخه، برگ
• 15. الگوریتم‌های ساخت درخت تصمیم: ID3, C4.5, CART
• 16. انتخاب ویژگی‌ها برای تقسیم (Split) در درخت تصمیم
• 17. مفاهیم Entropy و Information Gain
• 18. مفاهیم Gini Impurity و نحوه محاسبه آن
• 19. Overfitting و راه‌های مقابله با آن (Pruning)
• 20. تنظیم پارامترهای درخت تصمیم (Max Depth, Min Samples Split)
• 21. پیاده‌سازی درخت تصمیم از صفر (مفاهیم کلیدی)
• 22. پیاده‌سازی درخت تصمیم با استفاده از کتابخانه‌ها (scikit-learn)
• 23. تجسم (Visualization) درخت تصمیم و تفسیر آن
• 24. مزایا و معایب درخت تصمیم
• 25. کاربردهای درخت تصمیم در دنیای واقعی
• 26. تکنیک‌های Boosting با استفاده از درخت تصمیم (Gradient Boosting, AdaBoost)
• 27. مقدمه‌ای بر Random Forest
• 28. پیاده‌سازی Random Forest با استفاده از کتابخانه‌ها
• 29. Support Vector Machine:
• 30. مقدمه‌ای بر ماشین بردار پشتیبان (Support Vector Machine - SVM)
• 31. مفاهیم Margin و Hyperplane
• 32. بهینه‌سازی حداکثر Margin
• 33. نقش بردار پشتیبان (Support Vectors)
• 34. دسته‌بندی خطی با SVM
• 35. Soft Margin و مفهوم C (Regularization parameter)
• 36. پیاده‌سازی SVM خطی با استفاده از کتابخانه‌ها
• 37. تکنیک Kernel Trick و مفهوم آن
• 38. Kernel‌های پرکاربرد (RBF, Polynomial, Sigmoid)
• 39. پیاده‌سازی SVM با Kernel‌های مختلف
• 40. تنظیم پارامترهای SVM (C, Kernel, Gamma)
• 41. SVM برای دسته‌بندی داده‌های غیرخطی
• 42. مزایا و معایب SVM
• 43. کاربردهای SVM در دنیای واقعی
• 44. مدل‌های چند کلاسی در SVM
• 45. تفسیر نتایج SVM
• 46. بهینه‌سازی SVM (Grid Search, Cross-Validation)
• 47. مقایسه عملکرد SVM با درخت تصمیم
• 48. مقایسه و ترکیب:
• 49. مقایسه درخت تصمیم و SVM
• 50. انتخاب مدل مناسب بر اساس نوع داده و مسئله
• 51. ترکیب درخت تصمیم و SVM برای بهبود عملکرد
• 52. بررسی داده‌های نامتعادل و راه‌های مقابله با آن
• 53. روش‌های انتخاب ویژگی (Feature Selection)
• 54. مدل‌های ترکیبی (Ensemble Methods)
• 55. تکنیک‌های Regularization
• 56. بررسی عملکرد مدل‌ها با استفاده از منحنی ROC
• 57. بررسی و رفع خطاهای مدل (Debugging)
• 58. نکات عملی در استفاده از مدل‌ها در دنیای واقعی
• 59. مباحث پیشرفته و تکمیلی:
• 60. مقدمه‌ای بر Bayesian Decision Tree
• 61. مقدمه‌ای بر Decision Tree با استفاده از داده‌های Streaming
• 62. مقدمه‌ای بر Online SVM
• 63. مقدمه‌ای بر SVM با داده‌های بزرگ
• 64. استفاده از کتابخانه‌های مختلف برای پیاده‌سازی
• 65. بهینه‌سازی کدها و افزایش سرعت اجرا
• 66. مقدمه‌ای بر Deep Learning و ارتباط آن با درخت تصمیم و SVM
• 67. بررسی آخرین مقالات و تحقیقات در زمینه
• 68. معرفی ابزارهای تجسم داده‌های پیشرفته
• 69. بهبود دقت مدل‌ها با استفاده از تکنیک‌های مختلف
• 70. آشنایی با مفهوم Interpretability در مدل‌ها
• 71. اهمیت انتخاب مدل مناسب برای هر مسئله
• 72. نقش داده‌ها در بهبود عملکرد مدل‌ها
• 73. مقدمه‌ای بر AutoML و کاربرد آن در این حوزه
• 74. آینده الگوریتم‌های طبقه‌بندی
• 75. مطالعه موردی: تحلیل و پیش‌بینی با استفاده از این الگوریتم‌ها
• 76. مطالعه موردی: تشخیص تقلب با استفاده از این الگوریتم‌ها
• 77. مطالعه موردی: طبقه‌بندی تصاویر با استفاده از این الگوریتم‌ها
• 78. مطالعه موردی: تحلیل احساسات با استفاده از این الگوریتم‌ها
• 79. مدل‌سازی خطای طبقه‌بندی
• 80. ارتباط با سایر تکنیک‌های یادگیری ماشین (مانند Clustering)
• 81. مباحث مربوط به امنیت و حریم خصوصی در داده‌ها
• 82. بهبود عملکرد مدل‌ها با استفاده از تکنیک‌های Feature Engineering
• 83. مدل‌سازی عدم قطعیت در پیش‌بینی‌ها
• 84. بررسی انواع روش‌های Cross-Validation
• 85. استفاده از تکنیک‌های Model Selection
• 86. اهمیت Bias-Variance Tradeoff در مدل‌سازی
• 87. ارتباط یادگیری ماشین با هوش مصنوعی
• 88. مقدمه‌ای بر پردازش زبان طبیعی (NLP) و کاربردها
• 89. ارتباط با مهندسی نرم‌افزار و معماری سیستم‌ها
• 90. اهمیت مستندسازی کد و مدل‌ها
• 91. معرفی کتابخانه‌های تخصصی برای داده‌های حجیم
• 92. آشنایی با چارچوب‌های آموزش توزیع شده
• 93. معرفی ابزارهای مدیریت نسخه و همکاری تیمی
• 94. نقش تست‌زنی در توسعه مدل‌ها
• 95. مقدمه‌ای بر Deploy کردن مدل‌ها
• 96. اصول اخلاقی در استفاده از یادگیری ماشین
• 97. آشنایی با مفهوم Fairness در مدل‌سازی
• 98. نحوه ارائه و انتشار نتایج
• 99. آشنایی با پلتفرم‌های ابری و کاربرد آن‌ها
• 100. بررسی چالش‌های پیش روی یادگیری ماشین