اکسپرس 24
کتاب ساختمان داده‌های مبتنی بر درخت تصمیم: Random Forest and Gradient Boosting Trees

کتاب ساختمان داده‌های مبتنی بر درخت تصمیم: Random Forest and Gradient Boosting Trees

تگ‌ها: Gradient Boosting Python Random Forest الگوریتم‌های طبقه‌بندی تقویت گرادیان جنگل تصادفی داده کاوی درخت تصمیم علم داده 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 ساختمان داده‌های مبتنی بر درخت تصمیم: Random Forest and Gradient Boosting Trees

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

  • 1. درخت تصمیم: مفاهیم پایه و ساختار
  • 2. انشعاب و گره‌های تصمیم درخت
  • 3. شاخص ناخالصی جینی و آنتروپی
  • 4. معیار بهره اطلاعاتی و کاهش واریانس
  • 5. جلوگیری از بیش‌برازش در درخت تصمیم
  • 6. هرس درخت و تنظیم عمق
  • 7. مقدمه‌ای بر جنگل تصادفی
  • 8. بوت‌استرپ و نمونه‌گیری تصادفی
  • 9. روش بگینگ (Bagging) در جنگل تصادفی
  • 10. انتخاب تصادفی ویژگی‌ها در هر گره
  • 11. تشکیل مجموعه‌ای از درختان تصمیم
  • 12. پیش‌بینی با رأی‌گیری و میانگین‌گیری
  • 13. نقش تعداد درختان در دقت مدل
  • 14. کاهش واریانس با جنگل تصادفی
  • 15. مقایسه دقت درخت تکی و جنگل تصادفی
  • 16. اهمیت ویژگی‌ها در جنگل تصادفی
  • 17. نحوه محاسبه اهمیت ویژگی با Gini Importance
  • 18. ماتریس درهم‌ریختگی و ارزیابی جنگل تصادفی
  • 19. Hyperparameterهای کلیدی جنگل تصادفی
  • 20. تنظیم max_depth و n_estimators
  • 21. تنظیم min_samples_split و max_features
  • 22. مقدمه‌ای بر بوستینگ (Boosting)
  • 23. مفهوم یادگیری متوالی و وزن‌دهی
  • 24. الگوریتم AdaBoost
  • 25. ترکیب مدل‌های ضعیف در AdaBoost
  • 26. بهبود خطا با AdaBoost
  • 27. مقدمه‌ای بر Gradient Boosting
  • 28. تابع زیان و گرادیان در Gradient Boosting
  • 29. مراحل ساخت متوالی درختان در Gradient Boosting
  • 30. نقش نرخ یادگیری در Gradient Boosting
  • 31. تنظیم نرخ یادگیری و تعداد درختان
  • 32. مفهوم شبه باقیمانده (Pseudo-Residual)
  • 33. نحوه به‌روزرسانی پیش‌بینی با Gradient Boosting
  • 34. مقایسه Gradient Boosting با جنگل تصادفی
  • 35. Hyperparameterهای Gradient Boosting
  • 36. تنظیم subsample برای تصادفی‌سازی
  • 37. نقش max_depth در Gradient Boosting
  • 38. مقدمه‌ای بر XGBoost
  • 39. ویژگی‌های XGBoost: موازی‌سازی و منظم‌سازی
  • 40. تنظیم gamma و lambda در XGBoost
  • 41. مقدمه‌ای بر LightGBM
  • 42. نمونه‌گیری مبتنی بر گرادیان (GOSS) در LightGBM
  • 43. بسته‌بندی ویژگی (EFB) در LightGBM
  • 44. مقدمه‌ای بر CatBoost
  • 45. مدیریت داده‌های دسته‌ای در CatBoost
  • 46. مقایسه عملکرد XGBoost و LightGBM و CatBoost
  • 47. انتخاب الگوریتم بر اساس حجم داده و تعداد ویژگی‌ها
  • 48. پیش‌بینی رگرسیون با Random Forest
  • 49. پیش‌بینی رگرسیون با Gradient Boosting
  • 50. طبقه‌بندی با Random Forest و Gradient Boosting
  • 51. مدیریت داده‌های نامتعادل با وزن کلاس
  • 52. ارزیابی مدل با Cross-Validation
  • 53. منحنی یادگیری و تشخیص بیش‌برازش
  • 54. تنظیم Hyperparameterها با Grid Search
  • 55. تنظیم Hyperparameterها با Randomized Search
  • 56. اهمیت مهندسی ویژگی در مدل‌های درختی
  • 57. مدیریت مقادیر گمشده در Random Forest
  • 58. مدیریت مقادیر گمشده در Gradient Boosting
  • 59. کار با داده‌های متنی و عددی در درخت‌ها
  • 60. پایپلاین کامل: از داده تا پیش‌بینی
  • 61. ذخیره و بارگذاری مدل با Pickle و Joblib
  • 62. مقایسه سرعت آموزش و پیش‌بینی الگوریتم‌ها
  • 63. مقیاس‌پذیری مدل‌ها روی داده‌های بزرگ
  • 64. مفهوم توقف زودهنگام (Early Stopping) در Gradient Boosting
  • 65. پیاده‌سازی Random Forest با Scikit-Learn
  • 66. پیاده‌سازی Gradient Boosting با Scikit-Learn
  • 67. پیاده‌سازی XGBoost با کتابخانه XGBoost
  • 68. پیاده‌سازی LightGBM با کتابخانه LightGBM
  • 69. پیاده‌سازی CatBoost با کتابخانه CatBoost
  • 70. مقایسه نتایج پیاده‌سازی روی یک مجموعه داده واقعی
  • 71. تحلیل اهمیت ویژگی‌ها و تجسم درخت
  • 72. تصمیم‌گیری برای انتخاب تعداد درختان بهینه
  • 73. مدیریت حافظه و زمان در مدل‌های مبتنی بر درخت
  • 74. کاربرد Random Forest در تشخیص ناهنجاری
  • 75. کاربرد Gradient Boosting در رتبه‌بندی
  • 76. محدودیت‌ها و چالش‌های مدل‌های درختی
  • 77. راهکارهای بهبود دقت با Feature Engineering پیشرفته
  • 78. خلاصه و جمع‌بندی نهایی

📚 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.