کتاب صوتی پیاده‌سازی سیستم‌های تشخیص انحراف با Python

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی سیستم‌های تشخیص انحراف با Python

موضوع کلی: توسعه برنامه‌های وب پیشرفته

موضوع میانی: Machine learning model drift detection techniques and tools implementation and interpretation

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تشخیص انحراف
• 2. آشنایی با داده‌های نامتعادل
• 3. بررسی روش‌های جمع‌آوری داده
• 4. پیش‌پردازش داده‌ها برای تشخیص انحراف
• 5. مهندسی ویژگی برای بهبود تشخیص
• 6. مفهوم انحراف و انواع آن
• 7. تشخیص انحراف با استفاده از آمار توصیفی
• 8. روش‌های مبتنی بر فاصله برای تشخیص انحراف
• 9. استفاده از خوشه‌بندی برای شناسایی انحراف
• 10. تشخیص انحراف با استفاده از درخت‌های تصمیم
• 11. به کارگیری جنگل‌های تصادفی برای تشخیص انحراف
• 12. استفاده از ماشین‌های بردار پشتیبان (SVM)
• 13. تشخیص انحراف با استفاده از شبکه‌های عصبی
• 14. ارزیابی عملکرد مدل‌های تشخیص انحراف
• 15. معیارهای ارزیابی: دقت، بازخوانی و F1-score
• 16. مفهوم ROC و AUC در تشخیص انحراف
• 17. تنظیم پارامترهای مدل برای بهبود عملکرد
• 18. تشخیص انحراف در داده‌های سری زمانی
• 19. تشخیص انحراف در داده‌های متنی
• 20. استفاده از روش‌های کاهش ابعاد برای تشخیص انحراف
• 21. به کارگیری PCA برای کاهش ابعاد
• 22. استفاده از t-SNE برای کاهش ابعاد
• 23. تشخیص انحراف در داده‌های تصویری
• 24. استفاده از Autoencoders برای تشخیص انحراف
• 25. تشخیص انحراف با استفاده از Isolation Forest
• 26. به کارگیری One-Class SVM برای تشخیص انحراف
• 27. استفاده از Local Outlier Factor (LOF)
• 28. تشخیص انحراف در داده‌های جغرافیایی
• 29. تشخیص انحراف در شبکه‌های اجتماعی
• 30. کاربرد تشخیص انحراف در تشخیص تقلب
• 31. کاربرد تشخیص انحراف در تشخیص نفوذ
• 32. کاربرد تشخیص انحراف در مراقبت‌های بهداشتی
• 33. کاربرد تشخیص انحراف در تشخیص خطا
• 34. تشخیص انحراف در سیستم‌های صنعتی
• 35. تشخیص انحراف در داده‌های مالی
• 36. تشخیص انحراف با استفاده از روش‌های ensemble
• 37. ترکیب روش‌های مختلف برای بهبود تشخیص
• 38. مقایسه روش‌های مختلف تشخیص انحراف
• 39. انتخاب بهترین روش برای داده‌های خاص
• 40. بهینه‌سازی مدل برای سرعت و دقت
• 41. مقیاس‌پذیری مدل‌های تشخیص انحراف
• 42. استقرار مدل‌های تشخیص انحراف
• 43. نظارت بر عملکرد مدل در طول زمان
• 44. به‌روزرسانی مدل با داده‌های جدید
• 45. تشخیص انحراف در داده‌های پویا