کتاب صوتی کاهش ابعاد متن با PCA و SVD

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاهش ابعاد متن با PCA و SVD

موضوع کلی: علوم داده و تحلیل کلان‌داده‌های متنی

موضوع میانی: تکنیک‌های کاهش ابعاد در داده‌های متنی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کاهش ابعاد و کاربردهای آن
• 2. مفاهیم پایه جبر خطی برای کاهش ابعاد
• 3. بررسی ماتریس‌ها و ویژگی‌های آن‌ها
• 4. مقدار ویژه و بردارهای ویژه: تعریف و محاسبات
• 5. تجزیه مقداری منفرد (SVD): اصول اساسی
• 6. کاربرد SVD در کاهش ابعاد داده‌ها
• 7. PCA: یک روش کاهش ابعاد مبتنی بر آمار
• 8. تفاوت‌های کلیدی بین PCA و SVD
• 9. محاسبه میانگین و کوواریانس داده‌ها
• 10. تبدیل داده‌ها به فضای ویژگی
• 11. انتخاب تعداد مناسب مولفه‌های اصلی
• 12. تفسیر مولفه‌های اصلی و اهمیت آن‌ها
• 13. پیاده‌سازی PCA در پایتون با استفاده از NumPy
• 14. استفاده از Scikit-learn برای PCA
• 15. نرمال‌سازی و استانداردسازی داده‌ها قبل از PCA
• 16. مقایسه نتایج PCA با و بدون نرمال‌سازی
• 17. کاربرد PCA در کاهش نویز داده‌ها
• 18. PCA و کاهش ابعاد تصاویر
• 19. فشرده‌سازی تصاویر با استفاده از PCA
• 20. PCA و تشخیص چهره: یک مطالعه موردی
• 21. PCA و تحلیل داده‌های سری زمانی
• 22. کاربرد PCA در داده‌های ژنومیک
• 23. SVD و فیلترهای همکارانه (Collaborative Filtering)
• 24. استفاده از SVD برای سیستم‌های توصیه‌گر
• 25. کاهش ابعاد متن با استفاده از SVD و LSI
• 26. تحلیل معنایی پنهان (LSI) و کاربردهای آن
• 27. پیاده‌سازی LSI در پایتون
• 28. مقایسه روش‌های مختلف کاهش ابعاد متن
• 29. PCA و کاهش ابعاد داده‌های مالی
• 30. تشخیص تقلب با استفاده از PCA
• 31. کاربرد PCA در پردازش سیگنال
• 32. PCA و حذف داده‌های پرت (Outlier Detection)
• 33. ارزیابی عملکرد روش‌های کاهش ابعاد
• 34. معیارهای ارزیابی برای کاهش ابعاد
• 35. تحلیل واریانس با استفاده از مولفه‌های اصلی
• 36. چالش‌ها و محدودیت‌های PCA و SVD
• 37. انتخاب روش مناسب کاهش ابعاد بر اساس نوع داده
• 38. PCA غیرخطی: معرفی روش‌های هسته‌ای (Kernel PCA)
• 39. استفاده از Kernel PCA برای داده‌های غیرخطی
• 40. مقایسه Kernel PCA با PCA خطی
• 41. تکنیک‌های پیشرفته کاهش ابعاد: t-SNE و UMAP
• 42. UMAP: یک روش کاهش ابعاد برای تجسم داده‌ها
• 43. t-SNE: تجسم داده‌های با ابعاد بالا
• 44. کاربرد t-SNE و UMAP در خوشه‌بندی داده‌ها
• 45. تحلیل مولفه‌های مستقل (ICA): اصول و کاربردها