کتاب صوتی آموزش جامع الگوریتم ماشین بردار پشتیبان (SVM) برای تحلیل داده‌ها و پیش‌بینی مدل‌ها در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع الگوریتم ماشین بردار پشتیبان (SVM) برای تحلیل داده‌ها و پیش‌بینی مدل‌ها در پایتون

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با زبان برنامه‌نویسی پایتون

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و جایگاه ماشین بردار پشتیبان
• 2. آشنایی با محیط برنامه‌نویسی پایتون و کتابخانه‌های علمی
• 3. مفاهیم پایه جبر خطی در تحلیل داده‌ها
• 4. پیش‌پردازش داده‌ها و استانداردسازی ویژگی‌ها
• 5. درک هندسی از ابرصفحه جداکننده در فضای ویژگی
• 6. مفهوم حاشیه و بهینه‌سازی در الگوریتم‌های طبقه‌بندی
• 7. ماشین بردار پشتیبان با حاشیه سخت
• 8. ماشین بردار پشتیبان با حاشیه نرم و پارامتر جریمه
• 9. معرفی تابع کرنل و نگاشت به فضاهای با ابعاد بالاتر
• 10. کرنل خطی و کاربردهای آن در داده‌های تفکیک‌پذیر
• 11. کرنل چندجمله‌ای و تنظیمات پارامتریک آن
• 12. کرنل تابع پایه شعاعی و تحلیل بردارهای پشتیبان
• 13. روش‌های انتخاب کرنل مناسب برای مسائل مختلف
• 14. پیاده‌سازی مدل‌های طبقه‌بندی با کتابخانه Scikit-learn
• 15. ارزیابی مدل با استفاده از ماتریس درهم‌ریختگی
• 16. مفهوم دقت و فراخوانی در تحلیل کارایی مدل
• 17. استفاده از منحنی مشخصه عملکرد سیستم در ارزیابی SVM
• 18. بهینه‌سازی ابرپارامترها با استفاده از جستجوی شبکه‌ای
• 19. روش اعتبارسنجی متقاطع در مدل‌های یادگیری ماشین
• 20. مدیریت داده‌های نامتوازن در آموزش مدل SVM
• 21. کاربرد ماشین بردار پشتیبان در مسائل رگرسیون
• 22. پیاده‌سازی رگرسیون بردار پشتیبان در پایتون
• 23. تحلیل خطای مدل و تکنیک‌های کاهش بیش‌برازش
• 24. بصری‌سازی مرزهای تصمیم‌گیری در مدل‌های SVM
• 25. پیش‌بینی سری‌های زمانی با استفاده از الگوریتم‌های بردار پشتیبان
• 26. کاربرد SVM در دسته‌بندی متن و تحلیل داده‌های نوشتاری
• 27. بهینه‌سازی محاسباتی برای مجموعه‌داده‌های بزرگ
• 28. مقایسه عملکرد SVM با سایر الگوریتم‌های یادگیری نظارت‌شده
• 29. یکپارچه‌سازی مدل‌های SVM در خط لوله پردازش داده
• 30. مستندسازی و گزارش‌دهی نتایج مدل‌های هوش مصنوعی
• 31. اخلاق در داده‌کاوی و رعایت حریم خصوصی کاربران
• 32. پروژه عملی پیش‌بینی داده‌های اقتصادی در چارچوب مقررات
• 33. ارائه نهایی و تفسیر نتایج مدل برای تصمیم‌گیری سازمانی