فلش‌کارت‌های آموزشی کنترل بیش‌برازش و کم‌برازش با جنگل‌های تصادفی در یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کنترل بیش‌برازش و کم‌برازش با جنگل‌های تصادفی در یادگیری ماشین

موضوع کلی: یادگیری ماشین و مدل‌سازی پیش‌بینانه

موضوع میانی: ارزیابی مدل، بیش‌برازش و جنگل‌های تصادفی

📋 سرفصل‌های دوره

• 1. مبانی تعمیم‌پذیری در یادگیری ماشین
• 2. تفاوت خطای آموزش و خطای آزمون
• 3. مفهوم بیش‌برازش در مدل‌های یادگیری ماشین
• 4. نشانه‌های تشخیص بیش‌برازش
• 5. دلایل ایجاد بیش‌برازش
• 6. مفهوم کم‌برازش و علل آن
• 7. تشخیص کم‌برازش در داده‌های آموزشی
• 8. مقایسه بیش‌برازش و کم‌برازش
• 9. موازنه بایاس و واریانس
• 10. نقش پیچیدگی مدل در تعمیم‌پذیری
• 11. تأثیر حجم داده بر بیش‌برازش
• 12. تأثیر نویز داده بر عملکرد مدل
• 13. نقش ویژگی‌ها در ایجاد بیش‌برازش
• 14. روش‌های کنترل پیچیدگی مدل
• 15. تنظیم ابرپارامترها برای بهبود تعمیم
• 16. تقسیم داده به آموزش، اعتبارسنجی و آزمون
• 17. Cross-Validation برای ارزیابی مدل
• 18. انتخاب معیار ارزیابی مناسب
• 19. تحلیل Learning Curve
• 20. تحلیل Validation Curve
• 21. مبانی درخت تصمیم
• 22. ساختار و نحوه عملکرد درخت تصمیم
• 23. تقسیم‌بندی گره‌ها در درخت تصمیم
• 24. معیار Gini برای انتخاب تقسیم
• 25. آنتروپی و Information Gain
• 26. عمق درخت و اثر آن بر بیش‌برازش
• 27. حداقل نمونه در برگ‌ها و گره‌ها
• 28. Pruning و کنترل رشد درخت
• 29. محدودیت‌های یک درخت تصمیم
• 30. مبانی روش‌های Ensemble Learning
• 31. ایده Bagging در یادگیری ماشین
• 32. نمونه‌برداری Bootstrap از داده‌ها
• 33. ترکیب چند مدل برای کاهش واریانس
• 34. مبانی الگوریتم Random Forest
• 35. ساخت چندین درخت در Random Forest
• 36. نمونه‌گیری تصادفی از داده‌ها
• 37. انتخاب تصادفی ویژگی‌ها در هر تقسیم
• 38. نقش تصادفی‌سازی در کاهش همبستگی درخت‌ها
• 39. رأی‌گیری در Random Forest برای طبقه‌بندی
• 40. میانگین‌گیری در Random Forest برای رگرسیون
• 41. تفاوت Random Forest با درخت تصمیم منفرد
• 42. مقایسه Random Forest و Bagging
• 43. مزایای Random Forest در برابر درخت منفرد
• 44. محدودیت‌های Random Forest
• 45. ابرپارامترهای کلیدی Random Forest
• 46. تنظیم تعداد درخت‌ها
• 47. تنظیم Maximum Depth
• 48. تنظیم Minimum Samples Split
• 49. تنظیم Minimum Samples Leaf
• 50. تنظیم تعداد ویژگی‌های انتخابی در هر Split
• 51. تنظیم معیار Split
• 52. اثر Bootstrap در Random Forest
• 53. اثر تعداد درخت‌ها بر بیش‌برازش
• 54. اثر تعداد ویژگی‌های تصادفی بر واریانس مدل
• 55. اثر عمق درخت بر Bias و Variance
• 56. کنترل بیش‌برازش در Random Forest
• 57. شناسایی کم‌برازش در Random Forest
• 58. استفاده از Out-of-Bag Error
• 59. مفهوم Out-of-Bag Samples
• 60. ارزیابی مدل با داده‌های Out-of-Bag
• 61. مقایسه OOB Error و Cross-Validation
• 62. اهمیت ویژگی‌ها در Random Forest
• 63. Feature Importance مبتنی بر کاهش ناخالصی
• 64. Permutation Feature Importance
• 65. تفسیر و مقایسه روش‌های اهمیت ویژگی
• 66. شناسایی ویژگی‌های کم‌اهمیت
• 67. اثر Feature Selection بر بیش‌برازش
• 68. پیش‌پردازش داده برای Random Forest
• 69. مدیریت داده‌های گمشده
• 70. مدیریت ویژگی‌های عددی و دسته‌ای
• 71. تأثیر مقیاس‌بندی ویژگی‌ها بر Random Forest
• 72. مدیریت داده‌های نامتوازن
• 73. Random Forest برای مسائل طبقه‌بندی چندکلاسه
• 74. Random Forest برای مسائل رگرسیون
• 75. انتخاب معیارهای ارزیابی طبقه‌بندی
• 76. انتخاب معیارهای ارزیابی رگرسیون
• 77. ماتریس درهم‌ریختگی و تحلیل خطا
• 78. Precision، Recall و F1 برای ارزیابی مدل
• 79. ROC-AUC و ارزیابی طبقه‌بندی
• 80. MAE، MSE و RMSE در رگرسیون
• 81. مقایسه مدل‌ها با Cross-Validation
• 82. Grid Search برای تنظیم Random Forest
• 83. Random Search برای جست‌وجوی ابرپارامترها
• 84. موازنه زمان آموزش و دقت مدل
• 85. تشخیص Data Leakage در فرایند ارزیابی
• 86. جلوگیری از Overfitting ناشی از تنظیم بیش‌ازحد
• 87. مقایسه Random Forest با مدل‌های خطی
• 88. مقایسه Random Forest با Gradient Boosting
• 89. انتخاب Random Forest برای مسائل واقعی
• 90. تحلیل رفتار مدل روی داده‌های جدید
• 91. طراحی آزمایش عملی برای تشخیص Overfitting و Underfitting
• 92. بهینه‌سازی یک Random Forest بیش‌برازش‌یافته
• 93. بهینه‌سازی یک Random Forest کم‌برازش‌یافته
• 94. تفسیر نتایج و انتخاب مدل نهایی