کتاب صوتی جامع Gradient Boosting برای پیش‌بینی تقاضای سفر و حمل‌ونقل هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع Gradient Boosting برای پیش‌بینی تقاضای سفر و حمل‌ونقل هوشمند

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: یادگیری جمعی و روش‌های Boosting در پیش‌بینی تقاضا

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پیش‌بینی تقاضای سفر و اهمیت آن در حمل‌ونقل
• 2. چرخهٔ کلی مدل‌سازی تقاضای حمل‌ونقل (چهار مرحله کلاسیک)
• 3. انواع داده‌های تقاضای سفر: تردد، اشتراک‌گذاری، بلیت، GPS
• 4. آشنایی با سری‌های زمانی و ویژگی‌های آن‌ها در حوزهٔ حمل‌ونقل
• 5. مبانی یادگیری نظارت‌شده برای مسائل رگرسیون و طبقه‌بندی
• 6. درخت‌های تصمیم: ساختار، شکاف‌گذاری و معیار ناخالصی
• 7. بیش‌برازش در درخت‌های تصمیم و روش‌های کنترل آن
• 8. مفهوم یادگیری جمعی (Ensemble Learning) و انواع آن
• 9. تفاوت Bagging و Boosting در ساخت مدل‌های ترکیبی
• 10. معرفی الگوریتم AdaBoost و منطق وزن‌دهی نمونه‌ها
• 11. مبانی ریاضی Gradient Boosting: کاهش گرادیان تابع زیان
• 12. تابع زیان (Loss Function) و انتخاب آن برای مسائل تقاضا
• 13. مفهوم Weak Learner و نقش درخت‌های کم‌عمق در Boosting
• 14. نرخ یادگیری (Learning Rate) و اثر آن بر دقت و سرعت
• 15. تعداد تکرار (Number of Estimators) و رابطهٔ آن با بیش‌برازش
• 16. عمق درخت و کنترل پیچیدگی مدل در Gradient Boosting
• 17. نمونه‌برداری زیرمجموعه‌ای (Subsampling) و Stochastic Gradient Boosting
• 18. منظم‌سازی (Regularization) در مدل‌های Boosting: L1 و L2
• 19. معرفی و مقایسهٔ کتابخانه‌های XGBoost، LightGBM و CatBoost
• 20. نصب و راه‌اندازی محیط پایتون برای پروژه‌های Boosting
• 21. آماده‌سازی داده خام تقاضای سفر برای مدل‌سازی
• 22. مدیریت مقادیر گمشده در داده‌های تردد و حمل‌ونقل
• 23. شناسایی و برخورد با داده‌های پرت در تقاضای سفر
• 24. مهندسی ویژگی زمانی: ساعت، روز هفته، فصل و تعطیلات
• 25. مهندسی ویژگی مکانی: مبدأ، مقصد و فاصلهٔ سفر
• 26. ویژگی‌های تأخیری (Lag Features) در پیش‌بینی تقاضا
• 27. ویژگی‌های میانگین متحرک و روند برای سری‌های زمانی سفر
• 28. کدگذاری متغیرهای دسته‌ای (Categorical Encoding) در مدل‌های درختی
• 29. مدیریت متغیرهای پرکاردینال مانند ایستگاه‌ها و مسیرها
• 30. نرمال‌سازی و مقیاس‌بندی ویژگی‌ها در مدل‌های Boosting
• 31. تحلیل همبستگی و انتخاب ویژگی مؤثر برای تقاضای سفر
• 32. ادغام داده‌های آب‌وهوایی با تقاضای سفر
• 33. ادغام داده‌های رویداد و مناسبت‌ها در مدل تقاضا
• 34. ساخت اولین مدل Gradient Boosting با XGBoost
• 35. ساخت مدل با LightGBM و مقایسهٔ سرعت آموزش
• 36. ساخت مدل با CatBoost برای داده‌های دسته‌ای پیچیده
• 37. تقسیم داده به آموزش، اعتبارسنجی و آزمون در سری‌های زمانی
• 38. اعتبارسنجی متقاطع زمانی (Time Series Cross-Validation)
• 39. معیارهای ارزیابی رگرسیون: MAE، RMSE و MAPE
• 40. تفسیر خطای مدل در زمینهٔ تقاضای واقعی سفر
• 41. تنظیم ابرپارامترها با Grid Search
• 42. تنظیم ابرپارامترها با Random Search
• 43. بهینه‌سازی ابرپارامتر با Bayesian Optimization (مانند Optuna)
• 44. توقف زودهنگام (Early Stopping) در آموزش مدل
• 45. اهمیت ویژگی‌ها (Feature Importance) در مدل‌های درختی
• 46. تفسیرپذیری مدل با مقادیر SHAP
• 47. تحلیل نمودارهای وابستگی جزئی (Partial Dependence Plot)
• 48. مقایسهٔ Gradient Boosting با رگرسیون خطی و ARIMA
• 49. مقایسهٔ Gradient Boosting با شبکه‌های عصبی برای تقاضای سفر
• 50. مدل‌سازی تقاضای سفر در سطح ایستگاه به ایستگاه
• 51. مدل‌سازی تقاضای سفر در سطح شبکه (Origin-Destination Matrix)
• 52. پیش‌بینی تقاضای اوج و غیراوج (Peak/Off-Peak Demand)
• 53. مدل‌سازی اثر قیمت‌گذاری پویا بر تقاضای سفر
• 54. تشخیص الگوهای فصلی و چرخه‌ای در تقاضای حمل‌ونقل
• 55. پیش‌بینی چندگامی (Multi-step Forecasting) با Boosting
• 56. ترکیب چند مدل Boosting با روش Stacking
• 57. استفاده از Ensemble ناهمگون برای افزایش دقت پیش‌بینی
• 58. مدیریت عدم‌قطعیت با پیش‌بینی بازه‌ای (Quantile Regression)
• 59. پیاده‌سازی Quantile Loss در LightGBM برای تقاضای سفر
• 60. تشخیص Drift داده و افت عملکرد مدل در طول زمان
• 61. به‌روزرسانی دوره‌ای مدل با داده‌های جدید تقاضا
• 62. مقیاس‌پذیری مدل برای داده‌های حجیم حمل‌ونقل شهری
• 63. موازی‌سازی و آموزش سریع با GPU در XGBoost و LightGBM
• 64. بهینه‌سازی حافظه و زمان اجرا در مدل‌های بزرگ
• 65. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 66. استقرار مدل Gradient Boosting به‌صورت API
• 67. ساخت خط لولهٔ (Pipeline) پیش‌بینی تقاضا از داده خام تا خروجی
• 68. مانیتورینگ عملکرد مدل در محیط عملیاتی
• 69. مطالعهٔ موردی: پیش‌بینی تقاضای مترو با Gradient Boosting
• 70. مطالعهٔ موردی: پیش‌بینی تقاضای تاکسی و سرویس‌های اشتراکی
• 71. مطالعهٔ موردی: پیش‌بینی تقاضای اتوبوس‌های شهری در ساعات پیک
• 72. مطالعهٔ موردی: پیش‌بینی تقاضای پروازهای داخلی
• 73. خطاهای رایج در مدل‌سازی تقاضای سفر و راه‌های اجتناب از آن‌ها
• 74. بهترین شیوه‌ها (Best Practices) برای پروژه‌های واقعی پیش‌بینی تقاضا
• 75. جمع‌بندی مسیر یادگیری و گام‌های بعدی در یادگیری ماشین حمل‌ونقل