دوره یادگیری آماری برای مهندسی: مبانی و کاربردها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری آماری برای مهندسی: مبانی و کاربردها

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: یادگیری ماشین و مدل‌سازی آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. آمار توصیفی و خلاصه‌سازی داده‌ها
• 3. احتمالات و توزیع‌های احتمال
• 4. متغیرهای تصادفی و توابع توزیع
• 5. نمونه‌برداری و تخمین نقطه‌ای
• 6. فاصله‌های اطمینان
• 7. آزمون فرضیه‌ها
• 8. تحلیل واریانس (ANOVA)
• 9. رگرسیون خطی ساده
• 10. رگرسیون خطی چندگانه
• 11. انتخاب متغیر در رگرسیون
• 12. چندخطی بودن و اثرات آن
• 13. تشخیص و رفع خطا در مدل‌های رگرسیونی
• 14. رگرسیون لجستیک
• 15. مدل‌های تعمیم‌یافته (GLM)
• 16. درخت‌های تصمیم‌گیری
• 17. جنگل تصادفی
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. خوشه‌بندی K-Means
• 20. خوشه‌بندی سلسله مراتبی
• 21. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 22. انتخاب ویژگی
• 23. اعتبارسنجی مدل
• 24. بیش‌برازش و کم‌برازش
• 25. تنظیم بیشینه (Regularization)
• 26. روش‌های ارزیابی مدل رگرسیون
• 27. روش‌های ارزیابی مدل طبقه‌بندی
• 28. متریک‌های ارزیابی مدل خوشه‌بندی
• 29. یادگیری ماشین بدون نظارت
• 30. یادگیری ماشین با نظارت
• 31. یادگیری تقویتی (مقدماتی)
• 32. شبکه‌های عصبی مصنوعی (مقدماتی)
• 33. پیش‌پردازش داده‌ها و پاکسازی
• 34. مهندسی ویژگی
• 35. مقیاس‌بندی داده‌ها
• 36. داده‌های گمشده و روش‌های برخورد با آن‌ها
• 37. روش‌های مقابله با داده‌های پرت
• 38. تحلیل سری‌های زمانی (مقدماتی)
• 39. پیش‌بینی سری‌های زمانی
• 40. مدل‌های ARIMA
• 41. تحلیل بقا
• 42. رگرسیون کاکس
• 43. تحلیل داده‌های مکانی
• 44. جغرافیای اطلاعاتی (GIS) و کاربردهای آن
• 45. تصمیم‌گیری بر اساس داده‌ها
• 46. تصویرسازی داده‌ها و داشبوردهای تعاملی
• 47. اخلاق در علم داده
• 48. حریم خصوصی داده‌ها و امنیت
• 49. مقدمه‌ای بر پایگاه داده‌ها و SQL
• 50. داده‌کاوی و الگوهای پنهان
• 51. تحلیل شبکه‌های اجتماعی
• 52. پردازش زبان طبیعی (NLP) – مقدماتی
• 53. استخراج ویژگی از متن
• 54. تحلیل احساسات
• 55. یادگیری عمیق (مقدماتی)
• 56. شبکه‌های عصبی کانولوشنال (CNN) – مقدماتی
• 57. شبکه‌های عصبی بازگشتی (RNN) – مقدماتی
• 58. کاربردهای یادگیری ماشین در مهندسی عمران
• 59. کاربردهای یادگیری ماشین در مهندسی مکانیک
• 60. کاربردهای یادگیری ماشین در مهندسی برق
• 61. کاربردهای یادگیری ماشین در مهندسی صنایع
• 62. کاربردهای یادگیری ماشین در مهندسی کامپیوتر
• 63. ابزارهای رایج علم داده (Python, R)
• 64. کتابخانه‌های پایتون برای علم داده
• 65. کتابخانه‌های R برای علم داده
• 66. مفاهیم Big Data و Hadoop
• 67. Spark و پردازش داده‌های بزرگ
• 68. یادگیری انتقالی
• 69. مدل‌سازی Bayesian
• 70. روش‌های Monte Carlo
• 71. بهینه‌سازی و الگوریتم‌های تکاملی
• 72. تحلیل حساسیت
• 73. تفسیرپذیری مدل‌های یادگیری ماشین
• 74. شبیه‌سازی و مدل‌سازی