کتاب صوتی SVM و یادگیری چند کلاسه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره SVM و یادگیری چند کلاسه

موضوع کلی: علوم رایانه و نظریه اطلاعات

موضوع میانی: ماشین‌های بردار پشتیبان (SVM)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ماشین‌های بردار پشتیبان
• 2. مفاهیم پایه‌ای یادگیری ماشین نظارت شده
• 3. مجموعه داده‌ها و پیش‌پردازش آن‌ها
• 4. انتخاب ویژگی و کاهش ابعاد
• 5. تابع کرنل و اهمیت آن در SVM
• 6. دسته‌بندی خطی با استفاده از SVM
• 7. حاشیه‌ی بهینه و پیدا کردن آن
• 8. حل مسئله‌ی دوگان در SVM
• 9. SVM برای داده‌های غیرخطی
• 10. پارامترهای تنظیم SVM و بهینه‌سازی آن‌ها
• 11. ارزیابی عملکرد SVM: دقت، صحت، و فراخوانی
• 12. ماتریس درهم‌ریختگی و تحلیل خطا
• 13. اعتبارسنجی متقابل و جلوگیری از بیش‌برازش
• 14. SVM و حل مسائل رگرسیون
• 15. آشنایی با الگوریتم‌های یادگیری چند کلاسه
• 16. استراتژی‌های یک‌درمقابل‌همه (One-vs-All)
• 17. استراتژی‌های یک‌درمقابل‌یک (One-vs-One)
• 18. مقایسه‌ی استراتژی‌های یادگیری چند کلاسه
• 19. پیاده‌سازی SVM چند کلاسه در پایتون
• 20. استفاده از کتابخانه‌ی Scikit-learn برای SVM
• 21. آماده‌سازی داده‌ها برای یادگیری چند کلاسه
• 22. انتخاب تابع کرنل مناسب برای چند کلاسه
• 23. تنظیم پارامترهای SVM چند کلاسه
• 24. ارزیابی عملکرد مدل چند کلاسه
• 25. روش‌های بهبود دقت در SVM چند کلاسه
• 26. استفاده از روش‌های Ensemble با SVM
• 27. ترکیب SVM با سایر الگوریتم‌های یادگیری ماشین
• 28. SVM و تشخیص تصویر
• 29. SVM و پردازش زبان طبیعی
• 30. SVM و داده‌های متنی
• 31. SVM و داده‌های سری زمانی
• 32. SVM و تشخیص تقلب
• 33. SVM و تشخیص ناهنجاری
• 34. SVM و بیوانفورماتیک
• 35. SVM و پیش‌بینی بازار سهام
• 36. SVM و داده‌های مالی
• 37. مدل‌سازی و پیش‌بینی با SVM در داده‌های بزرگ
• 38. بهینه‌سازی SVM برای مجموعه‌های داده‌ی بزرگ
• 39. ملاحظات محاسباتی در SVM
• 40. مقایسه‌ی SVM با سایر الگوریتم‌های یادگیری ماشین
• 41. انتخاب الگوریتم مناسب برای مسئله‌ی مورد نظر
• 42. کاربردهای عملی SVM در صنایع مختلف
• 43. مبانی نظری SVM و اثبات قضایا
• 44. تحلیل حساسیت SVM
• 45. روش‌های تفسیرپذیری مدل‌های SVM