کتاب صوتی مدل‌سازی پیش‌بینی: الگوریتم‌ها و پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی پیش‌بینی: الگوریتم‌ها و پیاده‌سازی

موضوع کلی: فناوری اطلاعات و علوم داده

موضوع میانی: Data Science Development Lifecycle Programs

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی پیش‌بینی
• 2. انواع داده و پیش‌پردازش آن‌ها
• 3. آمار توصیفی و استنباطی در پیش‌بینی
• 4. مفهوم واریانس و کوواریانس
• 5. رگرسیون خطی ساده
• 6. رگرسیون خطی چندگانه
• 7. ارزیابی مدل‌های رگرسیون
• 8. انتخاب ویژگی در رگرسیون
• 9. بیش‌برازش و کم‌برازش در رگرسیون
• 10. تنظیم‌سازی (Regularization) در رگرسیون
• 11. روش‌های اعتبارسنجی متقابل (Cross-Validation)
• 12. درخت‌های تصمیم‌گیری
• 13. جنگل تصادفی (Random Forest)
• 14. ماشین‌های بردار پشتیبان (SVM)
• 15. مفهوم هسته (Kernel) در SVM
• 16. ارزیابی مدل‌های SVM
• 17. روش‌های بهینه‌سازی در SVM
• 18. شبکه‌های عصبی مصنوعی (ANN)
• 19. معماری شبکه‌های عصبی
• 20. الگوریتم پس‌انتشار (Backpropagation)
• 21. توابع فعال‌سازی (Activation Functions)
• 22. بهینه‌سازهای گرادیان کاهشی (Gradient Descent)
• 23. شبکه‌های عصبی کانولوشنال (CNN)
• 24. کاربرد CNN در پردازش تصویر
• 25. شبکه‌های عصبی بازگشتی (RNN)
• 26. کاربرد RNN در پردازش زبان طبیعی
• 27. مدل‌های سری زمانی (Time Series)
• 28. تجزیه و تحلیل روند (Trend Analysis)
• 29. تجزیه و تحلیل فصلی (Seasonality Analysis)
• 30. مدل‌های ARIMA
• 31. پیش‌بینی با استفاده از مدل‌های LSTM
• 32. مفهوم خوشه‌بندی (Clustering)
• 33. الگوریتم K-Means
• 34. الگوریتم خوشه‌بندی سلسله‌مراتبی
• 35. ارزیابی خوشه‌بندی
• 36. کاهش ابعاد (Dimensionality Reduction)
• 37. تحلیل مولفه‌های اصلی (PCA)
• 38. انتخاب مدل مناسب برای پیش‌بینی
• 39. مقایسه عملکرد مدل‌های مختلف
• 40. متریک‌های ارزیابی مدل‌های پیش‌بینی
• 41. بکارگیری مدل‌های پیش‌بینی در دنیای واقعی
• 42. ابزارهای رایج مدل‌سازی پیش‌بینی در پایتون
• 43. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 44. کاربرد یادگیری تقویتی در پیش‌بینی
• 45. چالش‌ها و محدودیت‌های مدل‌سازی پیش‌بینی