اکسپرس 24
کتاب الگوریتم‌های تشخیص ناهنجاری: Isolation Forest و One-Class SVM

کتاب الگوریتم‌های تشخیص ناهنجاری: Isolation Forest و One-Class SVM

تگ‌ها: anomaly detection Isolation Forest One-Class SVM outlier detection Python الگوریتم های یادگیری ماشین تشخیص ناهنجاری داده کاوی یادگیری بدون نظارت

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 الگوریتم‌های تشخیص ناهنجاری: Isolation Forest و One-Class SVM

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

  • 1. الگوریتم تشخیص ناهنجاری چیست
  • 2. مفاهیم پایه ناهنجاری و داده پرت
  • 3. دسته‌بندی روش‌های تشخیص ناهنجاری
  • 4. معرفی و مبانی جنگل ایزوله (Isolation Forest)
  • 5. ساختار درختان ایزوله و معیار ناهنجاری
  • 6. آموزش مدل جنگل ایزوله
  • 7. پارامترهای کلیدی در جنگل ایزوله
  • 8. تفسیر نمره ناهنجاری در Isolation Forest
  • 9. مزایا و محدودیت‌های جنگل ایزوله
  • 10. ارزیابی عملکرد جنگل ایزوله روی داده‌های مصنوعی
  • 11. معرفی ماشین بردار پشتیبان تک کلاسه (One-Class SVM)
  • 12. مبانی ریاضی One-Class SVM و تابع هسته
  • 13. نقش پارامتر nu در One-Class SVM
  • 14. تاثیر انتخاب کرنل (خطی، RBF، چندجمله‌ای) بر تشخیص
  • 15. آموزش مدل One-Class SVM
  • 16. تنظیم پارامتر گاما و انتخاب کرنل مناسب
  • 17. مقایسه خروجی تصمیم و فاصله از مرز تصمیم
  • 18. ارزیابی One-Class SVM روی داده‌های مصنوعی
  • 19. پیش‌پردازش داده‌ها برای الگوریتم‌های ناهنجاری
  • 20. استانداردسازی و مقیاس‌سازی ویژگی‌ها
  • 21. مدیریت داده‌های گمشده و نویز
  • 22. تکنیک‌های کاهش ابعاد و انتخاب ویژگی
  • 23. مقایسه تحلیلی Isolation Forest و One-Class SVM
  • 24. زمان اجرا و پیچیدگی محاسباتی
  • 25. حساسیت به نویز و داده‌های پرت
  • 26. مقیاس‌پذیری با حجم و ابعاد داده
  • 27. روش‌های ارزیابی مدل‌های ناهنجاری
  • 28. معیارهای ارزیابی (دقت، بازیابی، F1)
  • 29. منحنی ROC و AUC در داده‌های نامتوازن
  • 30. اعتبارسنجی متقابل برای مدل‌های ناهنجاری
  • 31. چالش‌های داده‌های نامتوازن در تشخیص ناهنجاری
  • 32. روش‌های تعیین آستانه (Threshold) برای تشخیص
  • 33. تشخیص ناهنجاری در داده‌های جدولی (Tabular Data)
  • 34. استفاده از Isolation Forest برای تشخیص تقلب مالی
  • 35. استفاده از One-Class SVM برای تشخیص نفوذ شبکه
  • 36. تشخیص ناهنجاری در سری‌های زمانی
  • 37. پیش‌بینی نقاط شکست و ناهنجاری‌های زمانی
  • 38. مدل‌سازی ویژگی‌های پنجره زمانی
  • 39. ترکیب Isolation Forest با پنجره‌های متحرک
  • 40. ترکیب One-Class SVM با ویژگی‌های تاخیری
  • 41. تشخیص ناهنجاری در داده‌های با ابعاد بالا
  • 42. راهکارهای مقابله با نفرین ابعاد
  • 43. کاهش ابعاد با PCA و ادغام با مدل‌ها
  • 44. تشخیص ناهنجاری برخط (Online Anomaly Detection)
  • 45. انطباق مدل‌ها با داده‌های جاری
  • 46. محدودیت‌های مدل‌های ایستا در جریان داده
  • 47. پیاده‌سازی عملی با Scikit-learn (کد نویسی)
  • 48. آموزش و پیش‌بینی با Isolation Forest در پایتون
  • 49. آموزش و پیش‌بینی با One-Class SVM در پایتون
  • 50. تحلیل خروجی و بصری‌سازی نتایج
  • 51. مطالعه موردی: تشخیص تراکنش‌های مشکوک
  • 52. مطالعه موردی: تشخیص خرابی در سنسورهای صنعتی
  • 53. مطالعه موردی: تشخیص فعالیت غیرعادی کاربر در وب
  • 54. روش‌های ترکیبی و مدل‌های جمعی (Ensemble)
  • 55. بهبود دقت با ترکیب Isolation Forest و One-Class SVM
  • 56. معرفی الگوریتم‌های پیشرفته تر (LOF، Autoencoder)
  • 57. مقایسه عملکرد با الگوریتم‌های دیگر ناهنجاری
  • 58. تنظیم فراپارامترها با جستجوی شبکه‌ای
  • 59. بهترین روش‌ها برای استقرار مدل در محیط تولید
  • 60. خلاصه و جمع‌بندی نهایی دوره

📚 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.