کتاب صوتی تنظیم‌سازی پیشرفته برای بهبود تعمیم‌پذیری مدل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیم‌سازی پیشرفته برای بهبود تعمیم‌پذیری مدل

موضوع کلی: یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تعمیم‌پذیری و بیش‌برازش
• 2. چرا تنظیم‌سازی مهم است؟
• 3. تنظیم‌سازی L1 (LASSO): اصول و کاربردها
• 4. تنظیم‌سازی L2 (Ridge Regression): اصول و کاربردها
• 5. تفاوت‌های کلیدی بین L1 و L2
• 6. انتخاب پارامتر تنظیم‌سازی با استفاده از اعتبارسنجی متقابل
• 7. روش‌های جستجوی شبکه (Grid Search) برای تنظیم پارامترها
• 8. اعتبارسنجی متقابل k-fold
• 9. اعتبارسنجی متقابل Leave-One-Out
• 10. تنظیم‌سازی الاستیک نت (Elastic Net): ترکیب L1 و L2
• 11. کاربرد تنظیم‌سازی الاستیک نت در داده‌های با ابعاد بالا
• 12. تنظیم‌سازی Dropout در شبکه‌های عصبی
• 13. تنظیم‌سازی Batch Normalization
• 14. تنظیم‌سازی Early Stopping
• 15. تنظیم‌سازی Data Augmentation
• 16. Regularization با استفاده از Weight Decay
• 17. تنظیم‌سازی با استفاده از Label Smoothing
• 18. تنظیم‌سازی طیفی (Spectral Regularization)
• 19. تنظیم‌سازی بر اساس اطلاعات پیشین (Prior Knowledge)
• 20. تنظیم‌سازی برای مدل‌های مبتنی بر درخت (Tree-based models)
• 21. مقدمه‌ای بر Regularized Autoencoders
• 22. استفاده از PCA برای کاهش ابعاد و تنظیم‌سازی ضمنی
• 23. تنظیم‌سازی با استفاده از Principal Component Regression
• 24. تنظیم‌سازی برای داده‌های نامتوازن (Imbalanced Data)
• 25. روش‌های نمونه‌برداری مجدد (Resampling Methods)
• 26. استفاده از الگوریتم‌های Ensemble برای بهبود تعمیم‌پذیری
• 27. مقدمه‌ای بر Meta-Regularization
• 28. تنظیم‌سازی Adaptive
• 29. تنظیم‌سازی در یادگیری تقویتی (Reinforcement Learning)
• 30. تنظیم‌سازی در شبکه‌های گراف عصبی (Graph Neural Networks)
• 31. پیاده‌سازی تنظیم‌سازی در Scikit-learn
• 32. پیاده‌سازی تنظیم‌سازی در TensorFlow
• 33. پیاده‌سازی تنظیم‌سازی در PyTorch
• 34. مقایسه عملکرد مدل‌ها با و بدون تنظیم‌سازی
• 35. تحلیل تاثیر تنظیم‌سازی بر bias-variance tradeoff
• 36. انتخاب روش تنظیم‌سازی مناسب بر اساس نوع داده و مدل
• 37. بهینه‌سازی هایپرپارامترهای تنظیم‌سازی
• 38. استراتژی‌های ترکیبی تنظیم‌سازی
• 39. تفسیرپذیری مدل‌های تنظیم شده
• 40. تنظیم‌سازی و مقابله با داده‌های پرت (Outliers)
• 41. بررسی موردی: تنظیم‌سازی در تشخیص تصویر
• 42. بررسی موردی: تنظیم‌سازی در پردازش زبان طبیعی
• 43. بررسی موردی: تنظیم‌سازی در داده‌های سری زمانی