کتاب مبانی و کاربردهای رگرسیون و طبقه‌بندی در تحلیل داده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای رگرسیون و طبقه‌بندی در تحلیل داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: یادگیری ماشین نظارت شده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل داده
• 2. مفهوم داده و انواع آن
• 3. مقدمه‌ای بر یادگیری ماشین
• 4. یادگیری ماشین نظارت شده چیست؟
• 5. اهداف رگرسیون در تحلیل داده
• 6. اهداف طبقه‌بندی در تحلیل داده
• 7. مجموعه داده‌ها و نحوه آماده‌سازی آن‌ها
• 8. پیش‌پردازش داده‌ها: پاکسازی و مدیریت مقادیر گمشده
• 9. پیش‌پردازش داده‌ها: مهندسی ویژگی
• 10. پیش‌پردازش داده‌ها: مقیاس‌بندی و نرمال‌سازی ویژگی‌ها
• 11. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 12. معیارهای ارزیابی مدل‌های رگرسیون
• 13. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 14. مقدمه‌ای بر رگرسیون خطی
• 15. مدل رگرسیون خطی چندگانه
• 16. تنظیم مدل رگرسیون خطی
• 17. پیش‌بینی با رگرسیون خطی
• 18. مثال کاربردی رگرسیون خطی در حوزه اقتصاد
• 19. مثال کاربردی رگرسیون خطی در حوزه سلامت
• 20. ریسک بیش‌برازش (Overfitting) در مدل‌ها
• 21. ریسک کم‌برازش (Underfitting) در مدل‌ها
• 22. مقدمه‌ای بر رگرسیون لجستیک
• 23. مدل رگرسیون لجستیک برای طبقه‌بندی دودویی
• 24. تفسیر ضرایب رگرسیون لجستیک
• 25. پیش‌بینی با رگرسیون لجستیک
• 26. مثال کاربردی رگرسیون لجستیک در حوزه مالی
• 27. مثال کاربردی رگرسیون لجستیک در حوزه بازاریابی
• 28. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 29. کاربرد SVM در طبقه‌بندی
• 30. کاربرد SVM در رگرسیون (SVR)
• 31. هسته‌ها (Kernels) در SVM
• 32. تنظیم پارامترهای SVM
• 33. مثال کاربردی SVM در تشخیص الگو
• 34. مقدمه‌ای بر درختان تصمیم
• 35. ساخت درخت تصمیم برای طبقه‌بندی
• 36. ساخت درخت تصمیم برای رگرسیون
• 37. هرس کردن درختان تصمیم
• 38. مثال کاربردی درختان تصمیم در پیش‌بینی
• 39. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
• 40. کاربرد جنگل‌های تصادفی در طبقه‌بندی
• 41. کاربرد جنگل‌های تصادفی در رگرسیون
• 42. اهمیت انتخاب ویژگی در جنگل‌های تصادفی
• 43. مثال کاربردی جنگل‌های تصادفی در تحلیل ریسک
• 44. مقدمه‌ای بر تقویت گرادیان (Gradient Boosting)
• 45. مدل XGBoost
• 46. مدل LightGBM
• 47. کاربرد تقویت گرادیان در طبقه‌بندی
• 48. کاربرد تقویت گرادیان در رگرسیون
• 49. مثال کاربردی تقویت گرادیان در پیش‌بینی فروش
• 50. مقدمه‌ای بر مدل‌های چندکلاسی
• 51. استراتژی‌های One-vs-Rest و One-vs-One
• 52. ارزیابی مدل‌های چندکلاسی
• 53. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 54. لایه ورودی، لایه‌های پنهان و لایه خروجی
• 55. تابع فعال‌سازی در شبکه‌های عصبی
• 56. پس‌انتشار خطا (Backpropagation)
• 57. بهینه‌سازی گرادیان نزولی (Gradient Descent)
• 58. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 59. کاربرد CNN در پردازش تصویر
• 60. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 61. کاربرد RNN در پردازش زبان طبیعی
• 62. مقدمه‌ای بر یادگیری عمیق
• 63. تفاوت یادگیری عمیق با یادگیری ماشین سنتی
• 64. کاربردهای نوین یادگیری عمیق
• 65. مقدمه‌ای بر تشخیص ناهنجاری (Anomaly Detection)
• 66. روش‌های مبتنی بر فاصله
• 67. روش‌های مبتنی بر چگالی
• 68. روش‌های مبتنی بر مدل‌سازی
• 69. مثال کاربردی تشخیص ناهنجاری در سیستم‌های امنیتی
• 70. مثال کاربردی تشخیص ناهنجاری در کشف تقلب
• 71. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 72. الگوریتم K-Means
• 73. الگوریتم DBSCAN
• 74. ارزیابی مدل‌های خوشه‌بندی
• 75. مثال کاربردی خوشه‌بندی در تقسیم‌بندی مشتریان
• 76. مثال کاربردی خوشه‌بندی در تحلیل داده‌های ژنتیکی
• 77. مقدمه‌ای بر تحلیل سری‌های زمانی
• 78. مدل‌های ARIMA
• 79. مدل‌های LSTM برای سری‌های زمانی
• 80. مثال کاربردی تحلیل سری‌های زمانی در پیش‌بینی آب و هوا
• 81. مثال کاربردی تحلیل سری‌های زمانی در تحلیل بازارهای مالی
• 82. اصول اخلاقی در علوم داده
• 83. حریم خصوصی داده‌ها و ملاحظات امنیتی
• 84. سوگیری در داده‌ها و مدل‌ها
• 85. اهمیت تفسیرپذیری مدل‌ها (Explainable AI)
• 86. انتخاب مدل مناسب برای مسئله
• 87. تنظیم و بهینه‌سازی هایپرپارامترها
• 88. اعتبارسنجی متقابل (Cross-Validation)
• 89. تکنیک‌های کاهش ابعاد: PCA
• 90. تکنیک‌های کاهش ابعاد: t-SNE
• 91. کاربرد تحلیل عاملی در علوم داده
• 92. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 93. عامل، محیط، پاداش
• 94. الگوریتم‌های Q-Learning
• 95. کاربرد یادگیری تقویتی در رباتیک
• 96. کاربرد یادگیری تقویتی در بهینه‌سازی سیستم‌ها
• 97. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 98. مدل‌سازی زبان
• 99. تشخیص موجودیت نام‌دار (Named Entity Recognition)
• 100. تحلیل احساسات (Sentiment Analysis)