کتاب صوتی پیاده‌سازی SVM با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی SVM با پایتون

موضوع کلی: علوم رایانه و نظریه اطلاعات

موضوع میانی: ماشین‌های بردار پشتیبان (SVM)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین نظارت شده
• 2. مجموعه‌داده‌ها و پیش‌پردازش داده‌ها
• 3. معرفی ماشین بردار پشتیبان (SVM)
• 4. مبانی ریاضی SVM: بردارها و فضاها
• 5. تابع کرنل: مفهوم و انواع
• 6. کرنل خطی و کاربردهای آن
• 7. کرنل چندجمله‌ای و تنظیم پارامترها
• 8. کرنل RBF و تاثیر گاما
• 9. انتخاب تابع کرنل مناسب
• 10. بهینه‌سازی محدب و SVM
• 11. حاشیه (Margin) و مفهوم آن در SVM
• 12. بردار‌های پشتیبان (Support Vectors)
• 13. حل مسئله دوگان (Dual Problem) در SVM
• 14. نرم‌سازی SVM: C و تاثیر آن
• 15. تشخیص و جلوگیری از بیش‌برازش (Overfitting)
• 16. ارزیابی مدل SVM: دقت، صحت، بازیابی
• 17. ماتریس درهم‌ریختگی (Confusion Matrix)
• 18. منحنی ROC و AUC
• 19. اعتبارسنجی متقابل (Cross-Validation)
• 20. SVM برای طبقه‌بندی دودویی
• 21. SVM برای طبقه‌بندی چندکلاسه
• 22. استفاده از One-vs-All در SVM
• 23. SVM برای رگرسیون
• 24. رگرسیون و تابع هزینه (Cost Function)
• 25. تنظیم پارامترهای SVM با Grid Search
• 26. تنظیم پارامترهای SVM با Random Search
• 27. مقایسه Grid Search و Random Search
• 28. استفاده از Pipeline برای پیش‌پردازش و مدل‌سازی
• 29. ذخیره و بارگذاری مدل‌های SVM
• 30. کاربرد SVM در تشخیص تصویر
• 31. کاربرد SVM در پردازش زبان طبیعی
• 32. SVM و تشخیص تقلب
• 33. SVM و پیش‌بینی قیمت
• 34. مقایسه SVM با الگوریتم‌های دیگر یادگیری ماشین
• 35. مزایا و معایب SVM
• 36. بهینه‌سازی سرعت SVM برای مجموعه‌داده‌های بزرگ
• 37. استفاده از کتابخانه Scikit-learn برای SVM
• 38. پیاده‌سازی SVM از ابتدا با پایتون
• 39. بهبود دقت SVM با ترکیب چند مدل
• 40. استفاده از SVM در داده‌های نامتعادل (Imbalanced Data)
• 41. روش‌های نمونه‌برداری بیش از حد و کمتر از حد
• 42. SVM و انتخاب ویژگی (Feature Selection)
• 43. روش‌های کاهش ابعاد داده‌ها برای SVM
• 44. نمایش تصویری مرز تصمیم‌گیری SVM
• 45. تحلیل حساسیت پارامترهای SVM