کتاب صوتی آموزش کاربردی رگرسیون لجستیک و الگوریتم‌های یادگیری نظارت‌شده با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی رگرسیون لجستیک و الگوریتم‌های یادگیری نظارت‌شده با پایتون

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین (Machine Learning) و تحلیل‌های پیش‌بینی‌کننده

📋 سرفصل‌های دوره

• 1. مبانی و مفاهیم پایه در یادگیری ماشین نظارت‌شده
• 2. معرفی محیط برنامه‌نویسی پایتون برای تحلیل داده
• 3. کار با کتابخانه‌های استاندارد علوم داده شامل NumPy و Pandas
• 4. پیش‌پردازش داده‌ها و پاک‌سازی مجموعه‌های آموزشی
• 5. روش‌های استانداردسازی و نرمال‌سازی ویژگی‌های عددی
• 6. تحلیل اکتشافی داده‌ها و مصورسازی با Matplotlib و Seaborn
• 7. مبانی آماری در یادگیری ماشین و تحلیل توزیع داده‌ها
• 8. آشنایی با مفهوم رگرسیون خطی و کاربردهای آن
• 9. ارزیابی مدل‌های رگرسیون با معیارهای خطا و دقت
• 10. مفهوم طبقه‌بندی و تفاوت آن با رگرسیون
• 11. مبانی ریاضی رگرسیون لجستیک و تابع سیگموئید
• 12. پیاده‌سازی رگرسیون لجستیک با کتابخانه Scikit-Learn
• 13. بررسی تابع هزینه و الگوریتم بهینه‌سازی گرادیان کاهشی
• 14. تفسیر ضرایب مدل و اهمیت ویژگی‌ها در رگرسیون لجستیک
• 15. معیارهای ارزیابی طبقه‌بندی شامل ماتریس درهم‌ریختگی
• 16. تحلیل شاخص‌های دقت، فراخوانی و نمره F1
• 17. منحنی‌های ROC و سطح زیر منحنی AUC
• 18. کار با مدل‌های طبقه‌بندی K-نزدیک‌ترین همسایه
• 19. مبانی درخت‌های تصمیم و الگوریتم‌های مبتنی بر آن
• 20. بررسی پدیده بیش‌برازش و کم‌برازش در مدل‌ها
• 21. تکنیک‌های تنظیم مدل شامل Lasso و Ridge
• 22. روش‌های اعتبارسنجی متقاطع برای بهبود دقت مدل
• 23. مدیریت داده‌های نامتوازن در پروژه‌های طبقه‌بندی
• 24. آشنایی با ماشین‌های بردار پشتیبان برای طبقه‌بندی داده‌ها
• 25. مبانی روش‌های گروهی شامل Bagging و Random Forest
• 26. مقدمه‌ای بر الگوریتم‌های تقویت گرادیان
• 27. انتخاب ویژگی‌ها برای کاهش ابعاد و افزایش کارایی
• 28. استفاده از پایپ‌لاین‌های استاندارد برای تولید مدل‌های کاربردی
• 29. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده برای استقرار
• 30. ملاحظات اخلاقی و حفظ حریم خصوصی در تحلیل داده‌ها
• 31. کاربرد رگرسیون لجستیک در تحلیل‌های اقتصادی و کسب‌وکار
• 32. بررسی موارد مطالعاتی در حوزه پایش سلامت و داده‌های پزشکی
• 33. بهینه‌سازی هایپرپارامترها با استفاده از جستجوی شبکه‌ای
• 34. مدیریت مقادیر مفقود در مجموعه‌های داده بزرگ
• 35. تحلیل حساسیت و پایداری مدل‌های پیش‌بینی‌کننده
• 36. پیاده‌سازی یک پروژه جامع طبقه‌بندی با پایتون
• 37. مستندسازی نتایج و گزارش‌دهی تحلیل‌های آماری
• 38. آشنایی با چارچوب‌های نوین یادگیری ماشین
• 39. مسیرهای پیشرفت در علوم داده و یادگیری عمیق