اکسپرس 24
کتاب تشخیص و حذف داده‌های پرت در داده‌های دسته‌بندی شده

کتاب تشخیص و حذف داده‌های پرت در داده‌های دسته‌بندی شده

تگ‌ها: Anomaly Detection Categorical Data Data Cleaning Data Preprocessing Data Quality Data Science Feature Engineering Machine Learning Outlier Detection Python R Statistical Methods

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 تشخیص و حذف داده‌های پرت در داده‌های دسته‌بندی شده

موضوع کلی: تحلیل داده‌های دسته‌بندی شده و سوگیری انتخاب نمونه

موضوع میانی: پیش‌پردازش داده‌های دسته‌بندی شده

📋 سرفصل‌های دوره

  • 1. مفاهیم پایه داده‌های دسته‌بندی شده
  • 2. انواع داده‌های قطعی و ترتیبی
  • 3. تعریف و اهمیت داده‌های پرت در متغیرهای قطعی
  • 4. تفاوت پرت‌های عددی و قطعی
  • 5. اثرات پرت‌ها بر مدل‌سازی و استنتاج
  • 6. مراحل پیش‌پردازش داده‌های دسته‌بندی شده
  • 7. کدگذاری متغیرهای قطعی (One‑Hot، Label، Target Encoding)
  • 8. بررسی کیفیت داده‌ها و شناسایی مقادیر گمشده
  • 9. آمار توصیفی برای متغیرهای قطعی (توزیع فراوانی، انتروپی)
  • 10. نمایش گرافیکی توزیع دسته‌ها (بارچارت، موزاییک، سانکی)
  • 11. مبانی آماری تشخیص پرت در داده‌های قطعی
  • 12. استفاده از تست کای‑دو برای شناسایی دسته‌های نادر
  • 13. اندازه‌گیری انتروپی و اینفورمیشن گین برای کشف ناهنجاری
  • 14. روش‌های مبتنی بر فاصله (Hamming، Jaccard) در فضاهای قطعی
  • 15. الگوریتم Isolation Forest تطبیق‌یافته برای متغیرهای قطعی
  • 16. Local Outlier Factor (LOF) با متریک‌های قطعی
  • 17. DBSCAT: خوشه‌بندی مبتنی بر چگالی برای داده‌های قطعی
  • 18. کشف پرت با استفاده از مدل‌های احتمالاتی (Naïve Bayes، Bayesian Networks)
  • 19. استفاده از یادگیری عمیق (Autoencoder) برای داده‌های One‑Hot
  • 20. ارزیابی معیارهای تشخیص پرت (Precision، Recall، F1، AUC)
  • 21. مقایسه روش‌های آماری، فاصله‌محور و مدل‌محور
  • 22. استراتژی‌های حذف پرت (حذف ردیف، جایگزینی، ترکیب دسته‌ها)
  • 23. استراتژی‌های اصلاح پرت (پایش، بازکدگذاری، سموتینگ)
  • 24. تأثیر حذف پرت بر توزیع کلاس‌ها و توازن داده‌ها
  • 25. مدیریت دسته‌های نادر و کم‑نمونه
  • 26. تکنیک‌های SMOTE و 변형‌های قطعی (SMOTE‑N، SMOTE‑NC)
  • 27. استفاده از ویژگی‌_engineering برای کاهش حساسیت به پرت
  • 28. پایپ‌لاین خودکار پیش‌پردازش و تشخیص پرت در scikit‑learn
  • 29. پیاده‌سازی در Python: pandas، category_encoders، pyod
  • 30. پیاده‌سازی در R: data.table، caret، outliers
  • 31. اعتبارسنجی متقاطع با وجود پرت‌ها
  • 32. بررسی حساسیت مدل‌های طبقه‌بندی (Logistic، Random Forest، XGBoost) به پرت
  • 33. مطالعه موردی: تشخیص تقلب در تراکنش‌های قطعی
  • 34. مطالعه موردی: شناسایی ناهنجاری در داده‌های نظرسنجی
  • 35. مطالعه موردی: پاک‌سازی داده‌های پزشکی کد شده
  • 36. بهینه‌سازی پارامترها برای الگوریتم‌های تشخیص پرت
  • 37. استفاده از ویژگی‌های متنی به عنوان داده‌های قطعی (Bag‑of‑Words)
  • 38. تشخیص پرت در داده‌های چندمتغیره قطعی (Multi‑label)
  • 39. ادغام تشخیص پرت با انتخاب ویژگی (Feature Selection)
  • 40. مدیریت پرت در خط لوله‌های MLOps
  • 41. نظارت بر درفت داده‌ها و پرت‌های جدید در تولید
  • 42. بهترین شیوه‌های مستندسازی و گزارش‌دهی
  • 43. چالش‌های مقیاس‌پذیری و حافظه در داده‌های بزرگ قطعی
  • 44. ابزارهای بصری برای بازبینی پرت‌ها (Tableau، Power BI)
  • 45. آموزش عملی: ساخت نوت‌بوک کامل از داده خام تا مدل پایدار
  • 46. بررسی اخلاقی و قانونی در حذف داده‌ها
  • 47. روندهای جدید تحقیق: یادگیری خود‌نظارت برای обнаружение ناهنجاری قطعی

📚 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.