کتاب آموزش کاربردی مدل‌سازی پیش‌بینانه و یادگیری ماشین با متلب (MATLAB) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی مدل‌سازی پیش‌بینانه و یادگیری ماشین با متلب (MATLAB)

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین و مدل‌سازی پیش‌بینانه

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی و محیط برنامه‌نویسی متلب برای علوم داده
• 2. آشنایی با ساختارهای داده و مدیریت ماتریس‌ها در متلب
• 3. روش‌های پیش‌پردازش و پاک‌سازی داده‌های خام
• 4. تحلیل اکتشافی داده‌ها و مصورسازی آماری
• 5. مبانی آماری و توزیع‌های احتمالی در تحلیل داده
• 6. نحوه کار با جعبه‌ابزار یادگیری ماشین و آمار در متلب
• 7. آماده‌سازی مجموعه‌های داده برای آموزش مدل
• 8. مفاهیم پایه در یادگیری نظارت‌شده و پیش‌بینی
• 9. رگرسیون خطی ساده و چندگانه در محیط متلب
• 10. ارزیابی عملکرد مدل‌های رگرسیون با معیارهای خطا
• 11. روش‌های انتخاب ویژگی و کاهش ابعاد داده
• 12. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 13. الگوریتم نزدیک‌ترین همسایگان در طبقه‌بندی داده‌ها
• 14. ماشین بردار پشتیبان و کاربردهای آن در مدل‌سازی
• 15. درخت‌های تصمیم و روش‌های مبتنی بر قانون
• 16. آموزش جنگل‌های تصادفی و مدل‌های تجمیعی
• 17. ارزیابی دقت، حساسیت و ویژگی در مدل‌های طبقه‌بندی
• 18. ماتریس درهم‌ریختگی و تحلیل منحنی‌های عملکرد
• 19. خوشه‌بندی سلسله‌مراتبی و الگوریتم‌های مبتنی بر فاصله
• 20. خوشه‌بندی کی-میانگین و تحلیل ساختار داده‌ها
• 21. کاهش ابعاد با استفاده از تحلیل مؤلفه‌های اصلی
• 22. کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی
• 23. طراحی و آموزش پرسپترون چندلایه در متلب
• 24. تنظیم ابرپارامترها برای بهبود دقت مدل
• 25. روش‌های اعتبارسنجی متقاطع در مدل‌سازی
• 26. مدیریت بیش‌برازش و کم‌برازش در مدل‌های یادگیری
• 27. پیاده‌سازی مدل‌های سری زمانی برای پیش‌بینی آینده
• 28. تکنیک‌های بهینه‌سازی مدل‌های پیش‌بینانه
• 29. استفاده از یادگیری ماشین برای تحلیل داده‌های صنعتی
• 30. روش‌های یادگیری نیمه‌نظارت‌شده در متلب
• 31. کاربرد مدل‌های پیش‌بینانه در تحلیل داده‌های مالی شرعی
• 32. پیاده‌سازی مدل‌های یادگیری عمیق مقدماتی در متلب
• 33. استفاده از یادگیری انتقالی برای مسائل خاص
• 34. تفسیرپذیری مدل‌های یادگیری ماشین
• 35. ذخیره‌سازی و استقرار مدل‌های آموزش‌دیده
• 36. بهینه‌سازی کدهای متلب برای پردازش داده‌های حجیم
• 37. کاربرد یادگیری ماشین در پایش سلامت تجهیزات
• 38. پیش‌بینی رفتار سیستم‌های دینامیکی با مدل‌های یادگیری
• 39. روش‌های پیاده‌سازی سیستم‌های تصمیم‌یار هوشمند
• 40. اخلاق در توسعه هوش مصنوعی و مسئولیت‌پذیری در علوم داده