کتاب صوتی جامع پاک‌سازی و آماده‌سازی داده‌ها با استفاده از مجموعه داده‌های تاریخی و آماری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع پاک‌سازی و آماده‌سازی داده‌ها با استفاده از مجموعه داده‌های تاریخی و آماری

موضوع کلی: علوم داده و تحلیل هوشمند

موضوع میانی: پیش‌پردازش داده‌های ساختاریافته در یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علم داده و اهمیت پاک‌سازی در پروژه‌های یادگیری ماشین
• 2. آشنایی با ساختار مجموعه داده‌ها و انواع متغیرها
• 3. شناسایی داده‌های گمشده و راهکارهای آماری مدیریت آن‌ها
• 4. روش‌های حذف ردیف‌ها و ستون‌های دارای داده‌های مفقود
• 5. تکنیک‌های جای‌گذاری مقادیر مفقود با استفاده از میانگین و میانه
• 6. استفاده از الگوریتم‌های رگرسیون برای تخمین داده‌های خالی
• 7. بررسی و شناسایی داده‌های پرت در تحلیل‌های آماری
• 8. روش‌های آماری حذف داده‌های پرت با استفاده از چارک‌ها
• 9. تکنیک‌های تعدیل داده‌های پرت برای حفظ یکپارچگی مدل
• 10. استانداردسازی مقیاس ویژگی‌ها با روش نرمال‌سازی
• 11. روش‌های مقیاس‌بندی ویژگی‌ها با استفاده از استانداردسازی
• 12. تبدیل متغیرهای طبقه‌بندی به داده‌های عددی با روش کدگذاری برچسب
• 13. پیاده‌سازی روش کدگذاری یک‌داغ برای متغیرهای اسمی
• 14. مدیریت متغیرهای متنی و استخراج ویژگی از داده‌های غیرساختاریافته
• 15. روش‌های مهندسی ویژگی و ایجاد متغیرهای جدید
• 16. ترکیب ویژگی‌ها برای افزایش دقت مدل‌های پیش‌بینی
• 17. بررسی همبستگی بین متغیرها و حذف ویژگی‌های زائد
• 18. کاهش ابعاد داده با استفاده از روش‌های انتخاب ویژگی
• 19. بررسی تعادل در توزیع داده‌ها و روش‌های نمونه‌برداری
• 20. مدیریت داده‌های نامتوازن در مسائل طبقه‌بندی
• 21. تجزیه و تحلیل توزیع آماری داده‌ها پیش از آموزش مدل
• 22. ارزیابی کیفیت داده‌ها با استفاده از نمودارهای جعبه‌ای
• 23. شناسایی روابط خطی و غیرخطی میان متغیرها
• 24. پاک‌سازی داده‌های زمانی و مدیریت بازه‌های زمانی
• 25. اعتبارسنجی داده‌ها و اطمینان از صحت ورودی‌ها
• 26. مستندسازی مراحل پاک‌سازی داده‌ها برای بازتولید پروژه
• 27. آماده‌سازی نهایی مجموعه داده جهت ورود به الگوریتم‌های یادگیری ماشین
• 28. بررسی خطاهای رایج در فرآیند آماده‌سازی داده‌ها
• 29. اصول اخلاقی در کار با داده‌های آماری و حفظ حریم خصوصی
• 30. بهینه‌سازی کارایی حافظه در پردازش مجموعه‌های داده حجیم
• 31. تکنیک‌های ذخیره‌سازی و خروجی گرفتن از داده‌های پاک‌سازی شده
• 32. یکپارچه‌سازی نهایی خط لوله پیش‌پردازش داده‌ها
• 33. آزمون نهایی کیفیت داده‌ها پیش از مدل‌سازی
• 34. کاربرد ابزارهای نرم‌افزاری در خودکارسازی پاک‌سازی داده‌ها
• 35. بررسی موردی: پاک‌سازی داده‌های آماری جمعیت‌شناختی
• 36. تحلیل تاثیر پاک‌سازی داده‌ها بر دقت مدل‌های یادگیری ماشین