کتاب صوتی بهینه‌سازی مدل: ارزیابی و بهبود

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل: ارزیابی و بهبود

موضوع کلی: فناوری اطلاعات و علوم داده

موضوع میانی: Data Science Development Lifecycle Programs

📋 سرفصل‌های دوره

• 1. بهینه‌سازی مدل: مفاهیم و اصول بنیادین
• 2. معیارهای ارزیابی مدل: دقت، صحت و فراخوانی
• 3. انواع خطا در مدل‌های پیش‌بینی
• 4. مجموعه داده‌های آموزشی و اعتبارسنجی
• 5. روش‌های تقسیم داده‌ها برای آموزش و ارزیابی
• 6. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 7. تنظیم پارامترهای مدل: روش‌های دستی و خودکار
• 8. اعتبارسنجی متقابل (Cross-Validation): انواع و کاربردها
• 9. بهینه‌سازی گرادیانی (Gradient Descent): الگوریتم و کاربردها
• 10. نرخ یادگیری (Learning Rate) و تاثیر آن بر بهینه‌سازی
• 11. روش‌های تنظیم نرخ یادگیری: ثابت، کاهشی و تطبیقی
• 12. الگوریتم‌های بهینه‌سازی پیشرفته: Adam، RMSprop
• 13. انتخاب تابع هزینه (Loss Function) مناسب
• 14. رگولاریزاسیون (Regularization): L1 و L2
• 15. انتخاب ویژگی (Feature Selection): روش‌ها و تکنیک‌ها
• 16. کاهش ابعاد (Dimensionality Reduction): PCA و t-SNE
• 17. مهندسی ویژگی (Feature Engineering): ایجاد ویژگی‌های جدید
• 18. ارزیابی مدل‌های طبقه‌بندی: ماتریس درهم‌ریختگی
• 19. منحنی ROC و AUC: تفسیر و کاربرد
• 20. ارزیابی مدل‌های رگرسیون: RMSE، MAE و R-squared
• 21. اهمیت ویژگی‌ها (Feature Importance): تفسیر و تحلیل
• 22. بهینه‌سازی مدل‌های درخت تصمیم: هرس کردن
• 23. بهینه‌سازی مدل‌های جنگل تصادفی (Random Forest)
• 24. بهینه‌سازی مدل‌های ماشین بردار پشتیبان (SVM)
• 25. بهینه‌سازی مدل‌های شبکه‌های عصبی: Backpropagation
• 26. تنظیم هایپرپارامترهای شبکه‌های عصبی
• 27. روش‌های جلوگیری از انفجار و محوشدگی گرادیان
• 28. بهینه‌سازی مدل‌های عمیق با استفاده از GPU
• 29. تکنیک‌های افزایش داده (Data Augmentation)
• 30. مدل‌های ترکیبی (Ensemble Methods): Bagging و Boosting
• 31. انتخاب مدل (Model Selection): مقایسه و ارزیابی
• 32. بهینه‌سازی مدل برای داده‌های نامتوازن (Imbalanced Data)
• 33. استفاده از تکنیک‌های نمونه‌برداری مجدد
• 34. بهینه‌سازی مدل با استفاده از الگوریتم‌های ژنتیک
• 35. بهینه‌سازی مدل با استفاده از جستجوی شبکه‌ای (Grid Search)
• 36. بهینه‌سازی مدل با استفاده از جستجوی تصادفی (Random Search)
• 37. بهینه‌سازی مدل با استفاده از Bayesian Optimization
• 38. خطاهای رایج در بهینه‌سازی مدل و راه‌های رفع آن‌ها
• 39. نظارت بر عملکرد مدل در طول زمان
• 40. بهینه‌سازی مدل با در نظر گرفتن محدودیت‌های منابع
• 41. استفاده از ابزارهای خودکار بهینه‌سازی مدل
• 42. بهینه‌سازی مدل برای داده‌های جریانی (Streaming Data)
• 43. تفسیرپذیری مدل (Model Interpretability): SHAP و LIME
• 44. بهینه‌سازی مدل با در نظر گرفتن ملاحظات اخلاقی
• 45. بهینه‌سازی مدل برای استقرار (Deployment) و مقیاس‌پذیری