اکسپرس 24
کتاب مهندسی ویژگی برای تشخیص داده‌های نامتعادل

کتاب مهندسی ویژگی برای تشخیص داده‌های نامتعادل

تگ‌ها: adasyn anomaly detection data imbalance data mining dimensionality reduction feature engineering feature selection fraud detection imbalanced data machine learning outlier detection python rare class scikit-learn smote

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 برای تشخیص داده‌های نامتعادل

موضوع کلی: یادگیری ماشین

موضوع میانی: داده‌کاوی و تحلیل داده

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر داده‌های نامتعادل و چالش‌های آن
  • 2. اهمیت مهندسی ویژگی در تشخیص داده‌های نامتعادل
  • 3. بررسی انواع روش‌های برخورد با داده‌های نامتعادل
  • 4. نمونه‌برداری بیش از حد (Over-sampling) و تکنیک‌های آن
  • 5. نمونه‌برداری کمتر (Under-sampling) و تکنیک‌های آن
  • 6. تکنیک‌های ترکیبی نمونه‌برداری
  • 7. تولید داده‌های مصنوعی با استفاده از SMOTE
  • 8. تولید داده‌های مصنوعی با استفاده از ADASYN
  • 9. آشنایی با روش‌های تشخیص ناهنجاری
  • 10. استفاده از الگوریتم‌های تشخیص ناهنجاری برای داده‌های نامتعادل
  • 11. مهندسی ویژگی مبتنی بر دامنه (Domain-Based Feature Engineering)
  • 12. استخراج ویژگی از داده‌های متنی برای داده‌های نامتعادل
  • 13. استخراج ویژگی از داده‌های تصویری برای داده‌های نامتعادل
  • 14. استفاده از ویژگی‌های ترکیبی (Feature Interactions)
  • 15. انتخاب ویژگی (Feature Selection) برای داده‌های نامتعادل
  • 16. روش‌های فیلتری برای انتخاب ویژگی
  • 17. روش‌های پوششی (Wrapper) برای انتخاب ویژگی
  • 18. روش‌های تعبیه شده (Embedded) برای انتخاب ویژگی
  • 19. کاهش ابعاد (Dimensionality Reduction) برای داده‌های نامتعادل
  • 20. استفاده از PCA برای کاهش ابعاد
  • 21. استفاده از t-SNE برای کاهش ابعاد
  • 22. اهمیت ارزیابی مدل در داده‌های نامتعادل
  • 23. معیارهای ارزیابی مناسب برای داده‌های نامتعادل (Precision, Recall, F1-score, AUC-ROC)
  • 24. استفاده از ماتریس درهم‌ریختگی (Confusion Matrix)
  • 25. تکنیک‌های تنظیم آستانه تصمیم‌گیری (Decision Threshold)
  • 26. روش‌های یادگیری هزینه حساس (Cost-Sensitive Learning)
  • 27. بهینه‌سازی پارامترهای مدل برای داده‌های نامتعادل
  • 28. استفاده از الگوریتم‌های Ensemble برای داده‌های نامتعادل
  • 29. روش‌های Boosting برای داده‌های نامتعادل (AdaBoost, Gradient Boosting)
  • 30. روش‌های Bagging برای داده‌های نامتعادل (Random Forest)
  • 31. استفاده از الگوریتم‌های یادگیری عمیق برای داده‌های نامتعادل
  • 32. شبکه‌های عصبی کانولوشنی (CNN) برای داده‌های نامتعادل
  • 33. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های نامتعادل
  • 34. استفاده از Autoencoders برای تشخیص ناهنجاری
  • 35. کاربرد مهندسی ویژگی در تشخیص تقلب (Fraud Detection)
  • 36. کاربرد مهندسی ویژگی در تشخیص بیماری‌های نادر
  • 37. کاربرد مهندسی ویژگی در تشخیص خرابی تجهیزات
  • 38. کاربرد مهندسی ویژگی در تشخیص حملات سایبری
  • 39. پیاده‌سازی مهندسی ویژگی در پایتون با استفاده از scikit-learn
  • 40. پیاده‌سازی مهندسی ویژگی در پایتون با استفاده از imbalanced-learn
  • 41. بهره‌گیری از کتابخانه‌های تخصصی مهندسی ویژگی
  • 42. بهترین روش‌ها و نکات کلیدی در مهندسی ویژگی برای داده‌های نامتعادل
  • 43. مطالعه موردی: تشخیص هرزنامه با استفاده از مهندسی ویژگی
  • 44. مطالعه موردی: تشخیص تقلب در تراکنش‌های مالی
  • 45. چالش‌ها و محدودیت‌های مهندسی ویژگی
  • 46. آینده مهندسی ویژگی در تشخیص داده‌های نامتعادل

📚 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.