کتاب صوتی مبانی کاربردی یادگیری ماشین: از الگوریتم تا مدل‌سازی داده‌محور

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی کاربردی یادگیری ماشین: از الگوریتم تا مدل‌سازی داده‌محور

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین و تحلیل داده‌های هوشمند

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی و مفاهیم بنیادین یادگیری ماشین در علوم داده
• 2. ساختار داده‌ها و پیش‌پردازش اطلاعات در مدل‌سازی
• 3. پاک‌سازی داده‌ها و مدیریت مقادیر مفقود
• 4. روش‌های استانداردسازی و نرمال‌سازی داده‌های عددی
• 5. کدگذاری متغیرهای طبقه‌بندی‌شده و مهندسی ویژگی‌ها
• 6. مفهوم یادگیری نظارت‌شده و کاربردهای آن
• 7. آشنایی با رگرسیون خطی ساده و چندگانه
• 8. ارزیابی مدل‌های رگرسیون با شاخص‌های آماری
• 9. مبانی الگوریتم رگرسیون لجستیک برای طبقه‌بندی
• 10. روش‌های تقسیم‌بندی داده‌ها به مجموعه‌های آموزش و آزمون
• 11. مفهوم بیش‌برازش و کم‌برازش در مدل‌های یادگیری
• 12. تکنیک‌های اعتبارسنجی متقاطع برای ارزیابی دقیق مدل
• 13. کاربرد الگوریتم نزدیک‌ترین همسایه در طبقه‌بندی
• 14. مبانی درخت‌های تصمیم و معیارهای تقسیم گره
• 15. هرس کردن درخت تصمیم برای بهبود تعمیم‌پذیری
• 16. مفهوم آنتروپی و شاخص جینی در یادگیری درخت
• 17. الگوریتم‌های یادگیری جمعی و بهبود دقت مدل
• 18. آشنایی با جنگل‌های تصادفی در تحلیل داده
• 19. مبانی ماشین‌های بردار پشتیبان و فضای ویژگی‌ها
• 20. تکنیک‌های کاهش ابعاد با استفاده از تحلیل مؤلفه‌های اصلی
• 21. خوشه‌بندی و الگوریتم‌های یادگیری غیرنظارت‌شده
• 22. الگوریتم میانگین‌کاوی در تحلیل داده‌های بدون برچسب
• 23. ارزیابی مدل‌های خوشه‌بندی و تحلیل شباهت‌ها
• 24. مفاهیم پایه شبکه‌های عصبی مصنوعی و پرسپترون
• 25. توابع فعال‌ساز و نقش آن‌ها در مدل‌سازی غیرخطی
• 26. معرفی کتابخانه‌های استاندارد پایتون برای یادگیری ماشین
• 27. پیاده‌سازی مدل‌های پایه با استفاده از Scikit-learn
• 28. تحلیل اهمیت ویژگی‌ها در مدل‌های یادگیری ماشین
• 29. مدیریت عدم تعادل داده‌ها در مسائل طبقه‌بندی
• 30. روش‌های بهینه‌سازی پارامترها و جستجوی شبکه‌ای
• 31. نقش تحلیل داده در اتخاذ تصمیمات هوشمند سازمانی
• 32. اخلاق در هوش مصنوعی و رعایت حریم خصوصی داده‌ها
• 33. کاربردهای یادگیری ماشین در تحلیل‌های اقتصادی و بازار
• 34. استانداردهای گزارش‌دهی و تفسیر نتایج مدل‌های هوشمند
• 35. مستندسازی پروژه‌های یادگیری ماشین مطابق با اصول مهندسی نرم‌افزار