اکسپرس 24
کتاب جامع Gradient Boosting برای پیش‌بینی تقاضای سفر و حمل‌ونقل هوشمند

کتاب جامع Gradient Boosting برای پیش‌بینی تقاضای سفر و حمل‌ونقل هوشمند

تگ‌ها: CatBoost Data Science Ensemble Learning Gradient Boosting LightGBM Machine Learning Time Series Forecasting Travel Demand Forecasting XGBoost پیش‌بینی تقاضا پیش‌بینی تقاضای سفر تحلیل داده حمل‌ونقل حمل‌ونقل هوشمند مهندسی ویژگی یادگیری ماشین

انتخاب پلن

افزودنی‌های اختیاری

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 جامع Gradient Boosting برای پیش‌بینی تقاضای سفر و حمل‌ونقل هوشمند

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: یادگیری جمعی و روش‌های Boosting در پیش‌بینی تقاضا

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر پیش‌بینی تقاضای سفر و اهمیت آن در حمل‌ونقل
  • 2. چرخهٔ کلی مدل‌سازی تقاضای حمل‌ونقل (چهار مرحله کلاسیک)
  • 3. انواع داده‌های تقاضای سفر: تردد، اشتراک‌گذاری، بلیت، GPS
  • 4. آشنایی با سری‌های زمانی و ویژگی‌های آن‌ها در حوزهٔ حمل‌ونقل
  • 5. مبانی یادگیری نظارت‌شده برای مسائل رگرسیون و طبقه‌بندی
  • 6. درخت‌های تصمیم: ساختار، شکاف‌گذاری و معیار ناخالصی
  • 7. بیش‌برازش در درخت‌های تصمیم و روش‌های کنترل آن
  • 8. مفهوم یادگیری جمعی (Ensemble Learning) و انواع آن
  • 9. تفاوت Bagging و Boosting در ساخت مدل‌های ترکیبی
  • 10. معرفی الگوریتم AdaBoost و منطق وزن‌دهی نمونه‌ها
  • 11. مبانی ریاضی Gradient Boosting: کاهش گرادیان تابع زیان
  • 12. تابع زیان (Loss Function) و انتخاب آن برای مسائل تقاضا
  • 13. مفهوم Weak Learner و نقش درخت‌های کم‌عمق در Boosting
  • 14. نرخ یادگیری (Learning Rate) و اثر آن بر دقت و سرعت
  • 15. تعداد تکرار (Number of Estimators) و رابطهٔ آن با بیش‌برازش
  • 16. عمق درخت و کنترل پیچیدگی مدل در Gradient Boosting
  • 17. نمونه‌برداری زیرمجموعه‌ای (Subsampling) و Stochastic Gradient Boosting
  • 18. منظم‌سازی (Regularization) در مدل‌های Boosting: L1 و L2
  • 19. معرفی و مقایسهٔ کتابخانه‌های XGBoost، LightGBM و CatBoost
  • 20. نصب و راه‌اندازی محیط پایتون برای پروژه‌های Boosting
  • 21. آماده‌سازی داده خام تقاضای سفر برای مدل‌سازی
  • 22. مدیریت مقادیر گمشده در داده‌های تردد و حمل‌ونقل
  • 23. شناسایی و برخورد با داده‌های پرت در تقاضای سفر
  • 24. مهندسی ویژگی زمانی: ساعت، روز هفته، فصل و تعطیلات
  • 25. مهندسی ویژگی مکانی: مبدأ، مقصد و فاصلهٔ سفر
  • 26. ویژگی‌های تأخیری (Lag Features) در پیش‌بینی تقاضا
  • 27. ویژگی‌های میانگین متحرک و روند برای سری‌های زمانی سفر
  • 28. کدگذاری متغیرهای دسته‌ای (Categorical Encoding) در مدل‌های درختی
  • 29. مدیریت متغیرهای پرکاردینال مانند ایستگاه‌ها و مسیرها
  • 30. نرمال‌سازی و مقیاس‌بندی ویژگی‌ها در مدل‌های Boosting
  • 31. تحلیل همبستگی و انتخاب ویژگی مؤثر برای تقاضای سفر
  • 32. ادغام داده‌های آب‌وهوایی با تقاضای سفر
  • 33. ادغام داده‌های رویداد و مناسبت‌ها در مدل تقاضا
  • 34. ساخت اولین مدل Gradient Boosting با XGBoost
  • 35. ساخت مدل با LightGBM و مقایسهٔ سرعت آموزش
  • 36. ساخت مدل با CatBoost برای داده‌های دسته‌ای پیچیده
  • 37. تقسیم داده به آموزش، اعتبارسنجی و آزمون در سری‌های زمانی
  • 38. اعتبارسنجی متقاطع زمانی (Time Series Cross-Validation)
  • 39. معیارهای ارزیابی رگرسیون: MAE، RMSE و MAPE
  • 40. تفسیر خطای مدل در زمینهٔ تقاضای واقعی سفر
  • 41. تنظیم ابرپارامترها با Grid Search
  • 42. تنظیم ابرپارامترها با Random Search
  • 43. بهینه‌سازی ابرپارامتر با Bayesian Optimization (مانند Optuna)
  • 44. توقف زودهنگام (Early Stopping) در آموزش مدل
  • 45. اهمیت ویژگی‌ها (Feature Importance) در مدل‌های درختی
  • 46. تفسیرپذیری مدل با مقادیر SHAP
  • 47. تحلیل نمودارهای وابستگی جزئی (Partial Dependence Plot)
  • 48. مقایسهٔ Gradient Boosting با رگرسیون خطی و ARIMA
  • 49. مقایسهٔ Gradient Boosting با شبکه‌های عصبی برای تقاضای سفر
  • 50. مدل‌سازی تقاضای سفر در سطح ایستگاه به ایستگاه
  • 51. مدل‌سازی تقاضای سفر در سطح شبکه (Origin-Destination Matrix)
  • 52. پیش‌بینی تقاضای اوج و غیراوج (Peak/Off-Peak Demand)
  • 53. مدل‌سازی اثر قیمت‌گذاری پویا بر تقاضای سفر
  • 54. تشخیص الگوهای فصلی و چرخه‌ای در تقاضای حمل‌ونقل
  • 55. پیش‌بینی چندگامی (Multi-step Forecasting) با Boosting
  • 56. ترکیب چند مدل Boosting با روش Stacking
  • 57. استفاده از Ensemble ناهمگون برای افزایش دقت پیش‌بینی
  • 58. مدیریت عدم‌قطعیت با پیش‌بینی بازه‌ای (Quantile Regression)
  • 59. پیاده‌سازی Quantile Loss در LightGBM برای تقاضای سفر
  • 60. تشخیص Drift داده و افت عملکرد مدل در طول زمان
  • 61. به‌روزرسانی دوره‌ای مدل با داده‌های جدید تقاضا
  • 62. مقیاس‌پذیری مدل برای داده‌های حجیم حمل‌ونقل شهری
  • 63. موازی‌سازی و آموزش سریع با GPU در XGBoost و LightGBM
  • 64. بهینه‌سازی حافظه و زمان اجرا در مدل‌های بزرگ
  • 65. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
  • 66. استقرار مدل Gradient Boosting به‌صورت API
  • 67. ساخت خط لولهٔ (Pipeline) پیش‌بینی تقاضا از داده خام تا خروجی
  • 68. مانیتورینگ عملکرد مدل در محیط عملیاتی
  • 69. مطالعهٔ موردی: پیش‌بینی تقاضای مترو با Gradient Boosting
  • 70. مطالعهٔ موردی: پیش‌بینی تقاضای تاکسی و سرویس‌های اشتراکی
  • 71. مطالعهٔ موردی: پیش‌بینی تقاضای اتوبوس‌های شهری در ساعات پیک
  • 72. مطالعهٔ موردی: پیش‌بینی تقاضای پروازهای داخلی
  • 73. خطاهای رایج در مدل‌سازی تقاضای سفر و راه‌های اجتناب از آن‌ها
  • 74. بهترین شیوه‌ها (Best Practices) برای پروژه‌های واقعی پیش‌بینی تقاضا
  • 75. جمع‌بندی مسیر یادگیری و گام‌های بعدی در یادگیری ماشین حمل‌ونقل

📚 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.