کتاب صوتی روش‌های ترکیبی دسته‌بندی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های ترکیبی دسته‌بندی

موضوع کلی: مهارت‌های داده‌کاوی و تحلیل داده

موضوع میانی: قوانین دسته‌بندی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر دسته‌بندی داده‌ها
• 2. انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 3. دسته‌بندی اسمی و ویژگی‌های آن
• 4. دسته‌بندی ترتیبی و کاربردهای آن
• 5. دسته‌بندی عددی و انواع آن
• 6. روش‌های جمع‌آوری داده‌ها برای دسته‌بندی
• 7. نمونه‌گیری و اهمیت آن در دسته‌بندی
• 8. آماده‌سازی داده‌ها برای دسته‌بندی
• 9. پیش‌پردازش داده‌ها و پاکسازی نویز
• 10. انتخاب ویژگی‌های مهم برای دسته‌بندی
• 11. مفهوم فضای ویژگی و ابعاد آن
• 12. معیارهای ارزیابی مدل‌های دسته‌بندی
• 13. دقت، صحت و بازخوانی در دسته‌بندی
• 14. منحنی ROC و AUC در ارزیابی مدل
• 15. درخت‌های تصمیم‌گیری: مفاهیم پایه
• 16. الگوریتم ID3 و ساخت درخت تصمیم
• 17. الگوریتم C4.5 و بهبود درخت تصمیم
• 18. الگوریتم CART و درخت‌های تصمیم دودویی
• 19. مدل‌های مبتنی بر قوانین در دسته‌بندی
• 20. یادگیری مبتنی بر نمونه‌ها (Instance-Based Learning)
• 21. الگوریتم k-نزدیک‌ترین همسایه (k-NN)
• 22. فاصله‌های مختلف در الگوریتم k-NN
• 23. بهینه‌سازی پارامتر k در الگوریتم k-NN
• 24. دسته‌بندی بیزین: مفاهیم و اصول
• 25. قضیه بیز و کاربرد آن در دسته‌بندی
• 26. دسته‌بندی بیزین ساده (Naive Bayes)
• 27. انواع توزیع در مدل بیزین ساده
• 28. شبکه‌های بیزین و ساختار آن‌ها
• 29. ماشین‌های بردار پشتیبان (SVM): مفاهیم
• 30. هسته‌ها (Kernels) در ماشین‌های بردار پشتیبان
• 31. انتخاب پارامترهای ماشین‌های بردار پشتیبان
• 32. دسته‌بندی چند کلاسه با ماشین‌های بردار پشتیبان
• 33. جنگل تصادفی (Random Forest): مفاهیم
• 34. ساخت جنگل تصادفی و اهمیت تنوع
• 35. تنظیم پارامترهای جنگل تصادفی
• 36. دسته‌بندی با استفاده از شبکه‌های عصبی
• 37. معماری شبکه‌های عصبی و لایه‌ها
• 38. الگوریتم پس‌انتشار (Backpropagation)
• 39. بهینه‌سازی شبکه‌های عصبی و نرخ یادگیری
• 40. روش‌های مقابله با بیش‌برازش (Overfitting)
• 41. اعتبارسنجی متقابل (Cross-Validation)
• 42. انتخاب مدل مناسب برای دسته‌بندی
• 43. ترکیب مدل‌ها (Ensemble Methods)
• 44. کاهش ابعاد داده‌ها و اهمیت آن
• 45. تحلیل مولفه‌های اصلی (PCA)