کتاب صوتی تسلط بر روش‌های انتخاب ویژگی برای داده‌های با ابعاد بالا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر روش‌های انتخاب ویژگی برای داده‌های با ابعاد بالا

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: پیش‌پردازش داده‌ها و کاهش ابعاد

📋 سرفصل‌های دوره

• 1. مفهوم ابعاد بالا و نفرین ابعاد
• 2. تفاوت کاهش ابعاد و انتخاب ویژگی
• 3. هدف‌های اصلی انتخاب ویژگی در تحلیل داده
• 4. معرفی انواع روش‌های انتخاب ویژگی
• 5. مبانی آماری برای تحلیل ویژگی‌ها
• 6. مفهوم Redundancy و Irrelevance در ویژگی‌ها
• 7. معیارهای ارزیابی کیفیت زیرمجموعه ویژگی‌ها
• 8. روش‌های فیلتر (Filter Methods)
• 9. ضریب همبستگی پیرسون برای انتخاب ویژگی
• 10. همبستگی اسپیرمن و کندال
• 11. معیار اطلاعات متقابل (Mutual Information)
• 12. آمار توصیفی و تحلیل توزیع ویژگی‌ها
• 13. تست‌های آماری برای انتخاب ویژگی (T-test و ANOVA)
• 14. امتیاز ویژگی بر اساس Gain Ratio
• 15. روش‌های Wrapper (پوششی)
• 16. الگوریتم Forward Selection
• 17. الگوریتم Backward Elimination
• 18. جستجوی ترکیبی (Stepwise Selection)
• 19. الگوریتم‌های تکاملی برای انتخاب ویژگی
• 20. الگوریتم ژنتیک (Genetic Algorithms) در انتخاب ویژگی
• 21. بهینه‌سازی swarm (PSO) برای یافتن ویژگی‌های بهینه
• 22. روش‌های Embedded (درونی)
• 23. رگولاریزاسیون L1 (Lasso Regression)
• 24. رگولاریزاسیون L2 (Ridge Regression)
• 25. تفاوت Lasso و Ridge در حذف ویژگی‌ها
• 26. رگولاریزاسیون Elastic Net
• 27. انتخاب ویژگی در درخت‌های تصمیم
• 28. اهمیت ویژگی‌ها در Random Forest
• 29. اهمیت ویژگی‌ها در XGBoost و LightGBM
• 30. استفاده از Recursive Feature Elimination (RFE)
• 31. ترکیب RFE با مدل‌های مختلف (RFECV)
• 32. استراتژی‌های برخورد با داده‌های Sparse
• 33. انتخاب ویژگی در داده‌های متنی (NLP)
• 34. استفاده از TF-IDF برای فیلتر کردن ویژگی‌ها
• 35. انتخاب ویژگی در داده‌های بیوانفورماتیک و ژنتیک
• 36. مدیریت ویژگی‌ها در داده‌های سری زمانی
• 37. تأثیر انتخاب ویژگی بر Overfitting و Underfitting
• 38. تأثیر انتخاب ویژگی بر سرعت آموزش مدل
• 39. تأثیر انتخاب ویژگی بر تفسیرپذیری مدل (Interpretability)
• 40. بررسی پایداری (Stability) در انتخاب ویژگی
• 41. روش‌های اعتبارسنجی متقاطع برای انتخاب ویژگی
• 42. استفاده از Pipeline در Scikit-Learn برای انتخاب ویژگی
• 43. نشت داده‌ها (Data Leakage) هنگام انتخاب ویژگی
• 44. بهینه‌سازی هایپرپارامترهای روش‌های انتخاب ویژگی
• 45. مقایسه عملکرد روش‌های Filter در برابر Wrapper
• 46. تحلیل پیچیدگی زمانی روش‌های مختلف انتخاب ویژگی
• 47. مدیریت ویژگی‌های دسته‌ای (Categorical) در انتخاب ویژگی
• 48. رویکردهای مدرن در انتخاب ویژگی برای Big Data
• 49. استفاده از Autoencoders برای کاهش ابعاد (مقایسه با FS)
• 50. تحلیل اثر حذف ویژگی‌های هم‌بسته (Multicollinearity)
• 51. پیاده‌سازی عملی انتخاب ویژگی با Python
• 52. کار با کتابخانه Feature-engine
• 53. کار با کتابخانه Boruta برای انتخاب ویژگی
• 54. ارزیابی نهایی مدل پس از انتخاب ویژگی
• 55. بهترین استراتژی انتخاب ویژگی بر اساس حجم داده
• 56. بهترین استراتژی انتخاب ویژگی بر اساس تعداد نمونه‌ها
• 57. مستندسازی فرآیند انتخاب ویژگی در پروژه‌های صنعتی