کتاب صوتی SVM: مبانی و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره SVM: مبانی و کاربردها

موضوع کلی: علوم رایانه و نظریه اطلاعات

موضوع میانی: ماشین‌های بردار پشتیبان (SVM)

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و SVM
• 2. مقدمه‌ای بر طبقه‌بندی و رگرسیون
• 3. مفهوم حاشیه و بردار پشتیبان
• 4. تابع کرنل: معرفی و انواع
• 5. کرنل خطی و کاربردهای آن
• 6. کرنل چندجمله‌ای و تنظیم پارامترها
• 7. کرنل RBF و انتخاب گاما
• 8. کرنل سیگموئید و موارد استفاده
• 9. انتخاب کرنل مناسب برای داده‌ها
• 10. پیش‌پردازش داده‌ها برای SVM
• 11. نرمال‌سازی و استانداردسازی داده‌ها
• 12. مقابله با داده‌های پرت و نامتعادل
• 13. اعتبارسنجی متقابل و تنظیم پارامترها
• 14. بهینه‌سازی مدل SVM با استفاده از جستجوی شبکه
• 15. ارزیابی عملکرد مدل SVM
• 16. معیارهای ارزیابی: دقت، صحت، فراخوانی و F1
• 17. ماتریس درهم‌ریختگی و تفسیر آن
• 18. SVM برای داده‌های با ابعاد بالا
• 19. کاهش ابعاد با استفاده از PCA
• 20. روش‌های انتخاب ویژگی
• 21. SVM چند کلاسه: استراتژی‌های مختلف
• 22. روش یک‌در مقابل‌همه (One-vs-All)
• 23. روش یک‌در مقابل‌یک (One-vs-One)
• 24. SVM برای تشخیص تصویر
• 25. SVM در پردازش زبان طبیعی
• 26. SVM برای تشخیص تقلب
• 27. SVM و تحلیل سری‌های زمانی
• 28. SVM و داده‌های ژنتیکی
• 29. کاربرد SVM در تشخیص بیماری
• 30. SVM و پیش‌بینی قیمت سهام
• 31. پیاده‌سازی SVM در پایتون با Scikit-learn
• 32. آموزش مدل SVM با Scikit-learn
• 33. ذخیره و بارگذاری مدل‌های SVM
• 34. مقایسه SVM با سایر الگوریتم‌های یادگیری ماشین
• 35. مزایا و معایب SVM
• 36. SVM و مشکلات بیش‌برازش (Overfitting)
• 37. روش‌های جلوگیری از بیش‌برازش در SVM
• 38. تنظیمات پیشرفته SVM
• 39. SVM و داده‌های بزرگ (Big Data)
• 40. استفاده از SVM توزیع‌شده
• 41. بهینه‌سازی SVM برای سرعت و مقیاس‌پذیری
• 42. SVM و یادگیری نیمه نظارتی
• 43. SVM و یادگیری تقویتی
• 44. کاربرد SVM در سیستم‌های توصیه‌گر
• 45. SVM و تشخیص ناهنجاری