اکسپرس 24
کتاب مهندسی ویژگی با پایتون: از داده خام به ورودی مدل

کتاب مهندسی ویژگی با پایتون: از داده خام به ورودی مدل

تگ‌ها: Computer Vision Data Preprocessing Data Science Deep Learning Feature Engineering Machine Learning NLP Pandas Python Scikit-learn Time Series تحلیل داده 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 مهندسی ویژگی با پایتون: از داده خام به ورودی مدل

موضوع کلی: هوش مصنوعی بومی و کاربردی

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

  • 1. عرفی و مفاهیم پایه مهندسی ویژگی
  • 2. آماده‌سازی محیط پایTHON و کتابخانه‌ها
  • 3. بررسی اولیه داده (Exploratory Data Analysis)
  • 4. مدیریت مقادیر غایب در داده‌ها
  • 5. تشخیص و مدیریت مقادیر پرت (Outliers)
  • 6. تبدیل متغیرهای رشته‌ای به عددی (Encoding)
  • 7. مقیاس‌بندی و نرمال‌سازی ویژگی‌ها (Scaling)
  • 8. بین‌ریزی و گروه‌بندی داده‌ها (Binning)
  • 9. selects ویژگی با روش‌های فیلتر (Filter Methods)
  • 10. selects ویژگی با روش‌های بسته (Wrapper Methods)
  • 11. selects ویژگی با روش‌های تعبیه‌شده (Embedded Methods)
  • 12. کاهش ابعاد با تحلیل اصلی مولفه‌ها (PCA)
  • 13. ساخت ویژگی‌های جدید و تعاملی (Feature Construction)
  • 14. مهندسی ویژگی‌های تاریخ و زمان (Date/Time Features)
  • 15. استخراج ویژگی از متن با TF-IDF و Word2Vec
  • 16. استخراج ویژگی از تصاویر با مدل‌های پیش‌آموزش شده
  • 17. مهندسی ویژگی برای داده‌های سری زمانی
  • 18. مدیریت داده‌های نامتعادل (Imbalanced Data)
  • 19. طراحی لوله‌های پردازش داده با اسکیت-learn (Pipelines)
  • 20. ترکیب لوله‌ها با FeatureUnion و ColumnTransformer
  • 21. مهندسی ویژگی اختصاصی مدل‌های خطی
  • 22. مهندسی ویژگی اختصاصی مدل‌های درختی
  • 23. مهندسی ویژگی برای شبکه‌های عصبی
  • 24. مهندسی ویژگی برای سیستم‌های توصیه‌گر
  • 25. مهندسی ویژگی برای تشخیص انحراف (Anomaly Detection)
  • 26. مهندسی ویژگی برای طبقه‌بندی متن پیشرفته
  • 27. مهندسی ویژگی‌های جغرافیایی (Geospatial)
  • 28. مهندسی ویژگی برای داده‌های گراف
  • 29. مهندسی ویژگی برای داده‌های صوتی و تصویری
  • 30. مهندسی ویژگی برای داده‌های حسگر (IoT/Sensor)
  • 31. معریف ابزارهای خودکار مهندسی ویژگی (Featuretools)
  • 32. مفاهیم پیشرفته Feature Store و مدیریت ویژگی
  • 33. تشخیص و مدیریت انحراف ویژگی (Feature Drift)
  • 34. صحت‌سنجی داده و کنترل کیفیت (Data Validation)
  • 35. حذف داده‌های تکراری و کاهش نویز (Deduplication)
  • 36. کدگذاری متغیرهای ترتیبی و فاصله‌ای (Ordinal/Distance)
  • 37. تکنیک‌های پیشرفته کدگذاری (Target/Frequency Encoding)
  • 38. مقیاس‌بندی پیشرفته (RobustScaler, PowerTransformer)
  • 39. مهندسی ویژگی برای داده‌های چندmodal (Multimodal)
  • 40. مهندسی ویژگی برای مدل‌های بقا (Survival Analysis)
  • 41. مهندسی ویژگی برای یادگیری تقویتی (RL)
  • 42. بررسی هم‌خطی و ارتباط بین متغیرها (Correlation)
  • 43. selects ویژگی با رگولاسیون L1 (Lasso)
  • 44. تحلیل اهمیت ویژگی با مدل‌های درختی (Feature Importance)
  • 45. حذف ویژگی‌های غیرضروری با RFE
  • 46. selects ویژگی با SelectKBest و روش‌های یک‌متغیره
  • 47. تحلیل اصلی مولفه‌ها (PCA) در عملیات پایتون
  • 48. استخراج ویژگی با خودسازمانده (Autoencoders)
  • 49. مهندسی ویژگی برای داده‌های پزشکی و سلامت
  • 50. مهندسی ویژگی برای داده‌های مالی و بانکی
  • 51. مهندسی ویژگی برای تشخیص کلاه‌قرمزی (Fraud Detection)
  • 52. مهندسی ویژگی برای پیش‌بینی رها شدن مشتری (Churn)
  • 53. مهندسی ویژگی پیشرفته برای توصیه‌گرها (Advanced)
  • 54. مهندسی ویژگی برای موتورهای جستجو و رتبه‌بندی (Search)
  • 55. مهندسی ویژگی برای سیستم‌های تبلیغات آنلاین (Ad Systems)
  • 56. ساخت و استفاده از Embeddingهای کاربر و آیتم
  • 57. مهندسی ویژگی برای توصیه مبتنی بر نشست (Session-based)
  • 58. تفاوت مهندسی ویژگی آنلاین و آف‌لاین (Online/Offline)
  • 59. مهندسی ویژگی برای آزمون‌های A/B Testing
  • 60. مهندسی ویژگی برای نظارت و بهبود مدل‌ها (Monitoring)

📚 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.