کتاب صوتی پیش‌بینی بیماری‌های قلبی با ماشین بردار پشتیبان (SVM) و هسته RBF

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی بیماری‌های قلبی با ماشین بردار پشتیبان (SVM) و هسته RBF

موضوع کلی: یادگیری ماشین

موضوع میانی: طبقه‌بندی و پیش‌بینی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بیماری‌های قلبی و اهمیت پیش‌بینی
• 2. آشنایی با مجموعه داده UCI Heart Disease
• 3. پیش‌پردازش داده‌ها: مدیریت مقادیر گمشده
• 4. پیش‌پردازش داده‌ها: نرمال‌سازی و استانداردسازی
• 5. مقدمه‌ای بر یادگیری ماشین نظارت شده
• 6. مقدمه‌ای بر طبقه‌بندی
• 7. آشنایی با الگوریتم ماشین بردار پشتیبان (SVM)
• 8. هسته‌ها در SVM: معرفی هسته RBF
• 9. انتخاب ویژگی و اهمیت آن در SVM
• 10. تقسیم مجموعه داده به آموزش و آزمایش
• 11. پیاده‌سازی SVM با هسته RBF در scikit-learn
• 12. تنظیم پارامترهای SVM: C (Regularization)
• 13. تنظیم پارامترهای SVM: Gamma (هسته RBF)
• 14. اعتبارسنجی متقابل (Cross-Validation) برای تنظیم پارامترها
• 15. Grid Search برای یافتن بهترین پارامترها
• 16. ارزیابی مدل: ماتریس درهم‌ریختگی (Confusion Matrix)
• 17. ارزیابی مدل: دقت (Accuracy)، صحت (Precision)، بازخوانی (Recall)
• 18. ارزیابی مدل: نمره F1 (F1-Score)
• 19. منحنی ROC و AUC
• 20. تفسیر نتایج و اهمیت ویژگی‌ها
• 21. بهینه‌سازی مدل SVM با تنظیم پارامترها
• 22. مقایسه SVM با سایر الگوریتم‌های طبقه‌بندی (مانند Logistic Regression)
• 23. پیاده‌سازی SVM در R (مقدماتی)
• 24. استفاده از کتابخانه‌های R برای پیش‌پردازش داده‌ها
• 25. اعتبارسنجی مدل در R
• 26. مقایسه عملکرد SVM در scikit-learn و R
• 27. نحوه ذخیره و بارگذاری مدل آموزش‌دیده
• 28. استقرار مدل (Deployment) برای پیش‌بینی‌های جدید
• 29. بهبود دقت مدل با استفاده از تکنیک‌های Ensemble
• 30. بررسی چالش‌های موجود در پیش‌بینی بیماری‌های قلبی
• 31. کار با داده‌های نامتعادل (Imbalanced Data)
• 32. استفاده از تکنیک‌های Oversampling و Undersampling
• 33. بررسی اهمیت انتخاب ویژگی مناسب
• 34. آشنایی با روش‌های کاهش ابعاد (Dimensionality Reduction)
• 35. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی برای پیش‌بینی بیماری‌های قلبی
• 36. تفسیرپذیری مدل‌های یادگیری ماشین در حوزه سلامت
• 37. اخلاق و حریم خصوصی در استفاده از داده‌های پزشکی