فلش‌کارت‌های آموزشی استنباط ناپارامتری یکنواخت در طبقه‌بندی باینری و ارزش‌گذاری سیاست‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنباط ناپارامتری یکنواخت در طبقه‌بندی باینری و ارزش‌گذاری سیاست‌ها

موضوع کلی: یادگیری ماشین و هوش مصنوعی

موضوع میانی: روش‌های استنباط در یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و استنباط آماری
• 2. مروری بر طبقه‌بندی باینری
• 3. معرفی مفاهیم پارامتری و ناپارامتری
• 4. نیاز به استنباط ناپارامتری در یادگیری ماشین
• 5. مروری بر مقالات و تحقیقات مرتبط
• 6. آشنایی با آزمون‌های فرضیه
• 7. مقایسه آزمون‌های فرضیه کلاسیک و ناپارامتری
• 8. معرفی داده‌ها و پیش‌پردازش
• 9. آشنایی با طبقه‌بندی‌کننده‌های باینری پایه
• 10. آشنایی با تابع هزینه (loss function) در طبقه‌بندی
• 11. ارزیابی مدل‌های طبقه‌بندی باینری
• 12. معرفی عدم قطعیت و فاصله اطمینان
• 13. مفهوم استنباط یکنواخت
• 14. مقایسه استنباط یکنواخت با روش‌های سنتی
• 15. اصول ریاضیاتی پشت استنباط یکنواخت
• 16. آنالیز واریانس و بایاس
• 17. معرفی شاخص‌های ارزیابی عملکرد مدل (AUC, Accuracy, F1-score)
• 18. آشنایی با روش‌های نمونه‌برداری
• 19. بررسی انواع روش‌های تخمین چگالی
• 20. معرفی کرنل‌ها و تخمین کرنل چگالی
• 21. روش‌های اعتبارسنجی متقابل
• 22. روش‌های اعتبارسنجی متقابل برای طبقه‌بندی
• 23. آشنایی با تخمین‌گرهای ناپارامتری
• 24. آشنایی با تخمین‌گر نایف
• 25. تخمین‌گر پارزن-ویندو و کاربردهای آن
• 26. تخمین‌گر‌های KNN و کاربردهای آن
• 27. مفاهیم اساسی در نظریه ریسک
• 28. مروری بر تئوری VC
• 29. مفهوم ظرفیت VC در یادگیری ماشین
• 30. حدود خطای یکنواخت
• 31. اهمیت حدود خطای یکنواخت در طبقه‌بندی
• 32. مقدمه‌ای بر اندازه‌گیری ارزش سیاست
• 33. ارتباط بین طبقه‌بندی و ارزش سیاست
• 34. معرفی سیاست‌ها و ارزش‌های آن‌ها
• 35. ارزش‌های سیاست و کاربردهای آن‌ها
• 36. اندازه‌گیری عملکرد سیاست
• 37. حدود یکنواخت برای ارزش سیاست
• 38. محاسبه حدود یکنواخت در عمل
• 39. کاربرد استنباط ناپارامتری در ارزش‌گذاری سیاست
• 40. کاربردهای عملی استنباط یکنواخت در داده‌های واقعی
• 41. پیاده‌سازی استنباط ناپارامتری در پایتون
• 42. بررسی کتابخانه‌های مرتبط (Scikit-learn,...)
• 43. انتخاب پارامترهای مناسب در استنباط ناپارامتری
• 44. بهینه‌سازی مدل‌های استنباط ناپارامتری
• 45. مقایسه استنباط ناپارامتری با روش‌های پارامتری
• 46. مقایسه و ارزیابی عملکرد طبقه‌بندی‌کننده‌ها
• 47. مقایسه و ارزیابی سیاست‌ها
• 48. مطالعه موردی: تشخیص بیماری با استفاده از استنباط یکنواخت
• 49. مطالعه موردی: پیش‌بینی تقاضا با استفاده از استنباط یکنواخت
• 50. مطالعه موردی: بهینه‌سازی تبلیغات با استفاده از استنباط یکنواخت
• 51. مطالعه موردی: تحلیل داده‌های مالی با استفاده از استنباط یکنواخت
• 52. پیاده‌سازی یک طبقه‌بندی‌کننده با استنباط یکنواخت
• 53. پیاده‌سازی ارزش‌گذاری سیاست با استنباط یکنواخت
• 54. آزمون فرضیه برای طبقه‌بندی باینری ناپارامتری
• 55. آزمون فرضیه برای ارزش سیاست ناپارامتری
• 56. تحلیل حساسیت پارامترهای مدل
• 57. نقش حجم داده‌ها در دقت استنباط
• 58. اثر نویز در داده‌ها بر استنباط
• 59. ارتباط بین استنباط و انتخاب مدل
• 60. مدیریت عدم تعادل کلاس در طبقه‌بندی باینری
• 61. روش‌های مقابله با داده‌های پرت
• 62. روش‌های کاهش ابعاد داده‌ها
• 63. کاربرد استنباط یکنواخت در مجموعه‌داده‌های بزرگ
• 64. استفاده از استنباط یکنواخت برای داده‌های جریان‌دار
• 65. یادگیری انتقالی و استنباط یکنواخت
• 66. یادگیری تقویتی و استنباط یکنواخت
• 67. آشنایی با مفهوم اوزان نمونه (sample weights)
• 68. انتخاب معیار مناسب برای ارزیابی مدل
• 69. محدودیت‌ها و چالش‌های استنباط ناپارامتری
• 70. مقایسه محاسباتی روش‌های مختلف
• 71. بهبود عملکرد مدل‌ها با استفاده از تکنیک‌های ترکیبی
• 72. استفاده از شبکه‌های عصبی در استنباط ناپارامتری
• 73. کاربرد استنباط یکنواخت در یادگیری عمیق
• 74. مقدمه‌ای بر یادگیری فدراسیونی و استنباط یکنواخت
• 75. مقدمه‌ای بر حریم خصوصی تفاضلی و استنباط یکنواخت
• 76. آینده استنباط ناپارامتری در یادگیری ماشین
• 77. پیشرفت‌های اخیر در استنباط یکنواخت
• 78. استفاده از استنباط یکنواخت در کاربردهای پزشکی
• 79. استفاده از استنباط یکنواخت در تشخیص کلاهبرداری
• 80. استفاده از استنباط یکنواخت در پردازش زبان طبیعی
• 81. استفاده از استنباط یکنواخت در بینایی ماشین
• 82. تحلیل دقیق تر حدود خطای یکنواخت
• 83. روش‌های بهبود حدود خطای یکنواخت
• 84. استفاده از روش‌های بوت‌استرپ
• 85. استفاده از روش‌های جک‌نایف
• 86. ترکیب روش‌های مختلف استنباط
• 87. ارتباط استنباط یکنواخت با بیزین
• 88. آشنایی با روش‌های انتخاب مدل مبتنی بر داده
• 89. بهینه‌سازی هایپرپارامترها در استنباط یکنواخت
• 90. آموزش فعال و استنباط یکنواخت
• 91. ایجاد دیتاست‌های مصنوعی برای تست مدل
• 92. مستندسازی و گزارش‌دهی نتایج
• 93. اخلاق در استفاده از استنباط یکنواخت
• 94. چالش‌های پیاده‌سازی و راه‌حل‌ها
• 95. دوره‌های آموزشی و منابع یادگیری بیشتر
• 96. خلاصه دوره و جمع‌بندی
• 97. مروری بر سوالات متداول
• 98. پروژه پایانی: پیاده‌سازی یک سیستم طبقه‌بندی با استنباط یکنواخت
• 99. ارائه و دفاع از پروژه پایانی