اکسپرس 24
کتاب آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین: از پاکسازی تا مهندسی ویژگی

کتاب آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین: از پاکسازی تا مهندسی ویژگی

تگ‌ها: آماده‌سازی داده پاکسازی داده پیش‌پردازش داده تحلیل داده داده‌کاوی علم داده ماشین لرنینگ مهندسی ویژگی هوش مصنوعی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین: از پاکسازی تا مهندسی ویژگی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیش‌پردازش داده در یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه و اهمیت آماده‌سازی داده‌ها
  • 2. انواع داده‌ها و چالش‌های آن‌ها
  • 3. درک ساختار داده‌های عددی و دسته‌ای
  • 4. مفاهیم اولیه پاکسازی داده‌ها
  • 5. شناسایی و مدیریت مقادیر گمشده
  • 6. روش‌های پر کردن مقادیر گمشده: میانگین، میانه، مد
  • 7. پر کردن مقادیر گمشده با مدل‌های یادگیری ماشین
  • 8. شناسایی و حذف داده‌های پرت (Outliers)
  • 9. روش‌های آماری برای شناسایی داده‌های پرت
  • 10. روش‌های مبتنی بر مدل برای شناسایی داده‌های پرت
  • 11. مدیریت داده‌های پرت: حذف، تبدیل، یا حفظ
  • 12. اهمیت نرمال‌سازی و استانداردسازی داده‌ها
  • 13. روش‌های نرمال‌سازی: Min-Max Scaling
  • 14. روش‌های استانداردسازی: Z-Score Standardization
  • 15. کاربرد نرمال‌سازی و استانداردسازی در مدل‌های مختلف
  • 16. تبدیل داده‌های دسته‌ای به عددی
  • 17. روش‌های One-Hot Encoding
  • 18. روش‌های Label Encoding
  • 19. روش‌های Target Encoding
  • 20. کاربرد روش‌های تبدیل داده‌های دسته‌ای
  • 21. مهندسی ویژگی: ایجاد ویژگی‌های جدید
  • 22. ترکیب ویژگی‌های موجود
  • 23. تقسیم ویژگی‌های موجود
  • 24. ایجاد ویژگی‌های مبتنی بر زمان
  • 25. ایجاد ویژگی‌های مبتنی بر مکان
  • 26. اهمیت انتخاب ویژگی (Feature Selection)
  • 27. روش‌های فیلتر (Filter Methods)
  • 28. روش‌های Wrapper (Wrapper Methods)
  • 29. روش‌های Embedded (Embedded Methods)
  • 30. کاربرد انتخاب ویژگی در کاهش ابعاد
  • 31. کاهش ابعاد (Dimensionality Reduction)
  • 32. تحلیل مولفه‌های اصلی (PCA)
  • 33. تحلیل تمایز خطی (LDA)
  • 34. تکنیک‌های کاهش ابعاد غیرخطی
  • 35. نمایش داده‌ها پس از کاهش ابعاد
  • 36. پردازش داده‌های متنی
  • 37. پیش‌پردازش متون: پاکسازی، توکن‌سازی
  • 38. حذف کلمات توقف (Stop Words Removal)
  • 39. ریشه‌یابی کلمات (Stemming) و لماتایزیشن (Lemmatization)
  • 40. تبدیل متن به نمایش عددی: Bag-of-Words
  • 41. تبدیل متن به نمایش عددی: TF-IDF
  • 42. روش‌های پیشرفته‌تر نمایش متن: Word Embeddings
  • 43. کاربرد پیش‌پردازش متن در مدل‌های زبان
  • 44. پردازش داده‌های تصویری
  • 45. پیش‌پردازش تصاویر: تغییر اندازه، برش، نرمال‌سازی
  • 46. افزایش داده (Data Augmentation) برای تصاویر
  • 47. تبدیل تصاویر به فرمت مناسب برای مدل‌ها
  • 48. کاربرد پیش‌پردازش تصویر در بینایی ماشین
  • 49. پردازش داده‌های سری زمانی
  • 50. ویژگی‌های داده‌های سری زمانی
  • 51. پیش‌پردازش سری زمانی: حذف نویز، پر کردن شکاف‌ها
  • 52. ایجاد ویژگی‌های زمانی (Lag Features)
  • 53. ایجاد ویژگی‌های مبتنی بر پنجره‌های متحرک
  • 54. کاربرد پیش‌پردازش سری زمانی در پیش‌بینی
  • 55. ملاحظات اخلاقی در آماده‌سازی داده‌ها
  • 56. سوگیری در داده‌ها و مدل‌ها
  • 57. روش‌های تشخیص و کاهش سوگیری
  • 58. حفظ حریم خصوصی داده‌ها
  • 59. قوانین و مقررات حفاظت از داده‌ها (با رویکرد داخلی)
  • 60. ارزیابی کیفیت داده‌ها پس از پیش‌پردازش
  • 61. تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
  • 62. انتخاب معیارهای مناسب برای ارزیابی مدل
  • 63. ارتباط بین کیفیت داده و عملکرد مدل
  • 64. استقرار مدل‌های یادگیری ماشین و نیاز به داده‌های تمیز
  • 65. نگهداری و به‌روزرسانی داده‌ها
  • 66. آماده‌سازی داده‌ها برای مدل‌های یادگیری عمیق
  • 67. شبکه‌های عصبی و نیازهای داده‌ای
  • 68. پیش‌پردازش داده‌ها برای شبکه‌های عصبی کانولوشنی (CNN)
  • 69. پیش‌پردازش داده‌ها برای شبکه‌های عصبی بازگشتی (RNN)
  • 70. آماده‌سازی داده‌ها برای مدل‌های ترنسفورمر
  • 71. مباحث پیشرفته در مهندسی ویژگی
  • 72. خودکارسازی مهندسی ویژگی (Automated Feature Engineering)
  • 73. استفاده از دانش دامنه (Domain Knowledge) در مهندسی ویژگی
  • 74. تکنیک‌های ترکیب مدل‌ها (Ensemble Methods) و آماده‌سازی داده
  • 75. پردازش داده‌های نامتوازن (Imbalanced Data)
  • 76. روش‌های نمونه‌برداری برای داده‌های نامتوازن
  • 77. تکنیک‌های تولید داده مصنوعی (SMOTE)
  • 78. کاربرد داده‌های نامتوازن در مسائل طبقه‌بندی
  • 79. آماده‌سازی داده‌ها برای مدل‌های یادگیری تقویتی
  • 80. ویژگی‌های محیط در یادگیری تقویتی
  • 81. پیش‌پردازش مشاهدات در یادگیری تقویتی
  • 82. ارزیابی و اعتبارسنجی فرآیند آماده‌سازی داده
  • 83. ساخت پایپ‌لاین‌های آماده‌سازی داده (Data Pipelines)
  • 84. ابزارها و کتابخانه‌های آماده‌سازی داده در پایتون (Pandas, Scikit-learn)
  • 85. کاربرد عملی آماده‌سازی داده در پروژه‌های واقعی
  • 86. مطالعه موردی ۱: آماده‌سازی داده برای پیش‌بینی قیمت مسکن
  • 87. مطالعه موردی ۲: آماده‌سازی داده برای تشخیص بیماری
  • 88. مطالعه موردی ۳: آماده‌سازی داده برای تحلیل احساسات مشتریان
  • 89. مطالعه موردی ۴: آماده‌سازی داده برای سیستم‌های توصیه‌گر
  • 90. جمع‌بندی و نگاه به آینده آماده‌سازی داده‌ها
  • 91. روندهای نوظهور در آماده‌سازی داده‌ها
  • 92. چالش‌های پیش رو در آماده‌سازی داده‌ها
  • 93. نقش آماده‌سازی داده در موفقیت پروژه‌های هوش مصنوعی
  • 94. اهمیت مستندسازی فرآیند آماده‌سازی داده
  • 95. اصول مهندسی نرم‌افزار در آماده‌سازی داده
  • 96. ملاحظات امنیتی در آماده‌سازی داده‌ها
  • 97. کلام آخر: آماده‌سازی داده، سنگ بنای یادگیری ماشین

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.