کتاب صوتی پیش‌بینی خرابی با یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی خرابی با یادگیری ماشین

موضوع کلی: مهندسی نرم‌افزار و مدیریت سیستم‌های رایانه‌ای

موضوع میانی: تحلیل داده‌های عملیاتی و مانیتورینگ زیرساخت‌های فناوری اطلاعات

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم پیش‌بینی خرابی
• 2. جمع‌آوری داده‌های مربوط به خرابی تجهیزات
• 3. پیش‌پردازش داده‌ها برای مدل‌سازی
• 4. انتخاب ویژگی‌های مؤثر در پیش‌بینی خرابی
• 5. معرفی الگوریتم‌های یادگیری ماشین برای پیش‌بینی
• 6. رگرسیون خطی در پیش‌بینی خرابی
• 7. درخت‌های تصمیم در پیش‌بینی خرابی
• 8. ماشین‌های بردار پشتیبان (SVM) برای پیش‌بینی
• 9. شبکه‌های عصبی مصنوعی (ANN) در پیش‌بینی خرابی
• 10. ارزیابی عملکرد مدل‌های پیش‌بینی
• 11. معیارهای ارزیابی رگرسیون
• 12. معیارهای ارزیابی طبقه‌بندی
• 13. اعتبارسنجی متقابل (Cross-Validation)
• 14. تنظیم پارامترهای مدل‌های یادگیری ماشین
• 15. بهینه‌سازی مدل با استفاده از الگوریتم‌های جستجو
• 16. مدل‌سازی خرابی در صنایع تولیدی
• 17. پیش‌بینی خرابی در سیستم‌های برق
• 18. پیش‌بینی خرابی در ماشین‌آلات صنعتی
• 19. کاربرد یادگیری ماشین در نگهداری و تعمیرات پیشگیرانه
• 20. تحلیل سری‌های زمانی برای پیش‌بینی خرابی
• 21. روش‌های هموارسازی در تحلیل سری‌های زمانی
• 22. مدل‌های ARIMA برای پیش‌بینی خرابی
• 23. تحلیل طیفی برای شناسایی الگوهای خرابی
• 24. تشخیص ناهنجاری در داده‌های خرابی
• 25. روش‌های مبتنی بر فاصله برای تشخیص ناهنجاری
• 26. روش‌های مبتنی بر چگالی برای تشخیص ناهنجاری
• 27. استفاده از یادگیری عمیق در پیش‌بینی خرابی
• 28. شبکه‌های عصبی کانولوشنال (CNN) برای پیش‌بینی
• 29. شبکه‌های عصبی بازگشتی (RNN) برای پیش‌بینی
• 30. مدل‌های LSTM برای پیش‌بینی خرابی
• 31. مدل‌های GRU برای پیش‌بینی خرابی
• 32. پیش‌بینی خرابی با استفاده از داده‌های حسگرها
• 33. پردازش داده‌های حسگرها و استخراج ویژگی
• 34. استفاده از اینترنت اشیا (IoT) در پیش‌بینی خرابی
• 35. کاربرد یادگیری تقویتی در پیش‌بینی خرابی
• 36. یادگیری نیمه نظارتی برای پیش‌بینی خرابی
• 37. یادگیری انتقالی در پیش‌بینی خرابی
• 38. مدل‌سازی بقا (Survival Analysis) و پیش‌بینی خرابی
• 39. تحلیل خطر (Hazard Analysis) در پیش‌بینی خرابی
• 40. ملاحظات مربوط به داده‌های نامتوازن در پیش‌بینی خرابی
• 41. روش‌های نمونه‌برداری برای مقابله با داده‌های نامتوازن
• 42. روش‌های هزینه-حساس (Cost-Sensitive) برای داده‌های نامتوازن
• 43. تجسم داده‌ها و الگوهای خرابی
• 44. استفاده از داشبوردهای تعاملی برای نمایش نتایج
• 45. تفسیرپذیری مدل‌های پیش‌بینی خرابی