اپلیکیشن اندرویدی فلش‌کارت آموزشی کاربرد یادگیری ماشین در کشف ریسک‌های سرایت

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد یادگیری ماشین در کشف ریسک‌های سرایت

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: کاربرد در شناسایی ریسک‌های سرایت (Contagion Risk)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری ماشین
• 2. مبانی احتمال و آمار
• 3. مقدمه ای بر مدل های آماری
• 4. مقدمه ای بر مدل های یادگیری ماشین
• 5. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 6. یادگیری نظارت شده: رگرسیون
• 7. یادگیری نظارت شده: طبقه بندی
• 8. الگوریتم های درخت تصمیم
• 9. الگوریتم های جنگل تصادفی
• 10. الگوریتم های تقویت گرادیان
• 11. الگوریتم های ماشین بردار پشتیبان (SVM)
• 12. شبکه های عصبی مصنوعی (ANN)
• 13. شبکه های عصبی کانولوشنال (CNN)
• 14. شبکه های عصبی بازگشتی (RNN)
• 15. یادگیری بدون نظارت: خوشه بندی
• 16. الگوریتم K-Means
• 17. الگوریتم DBSCAN
• 18. کاهش بعد: PCA
• 19. کاهش بعد: t-SNE
• 20. یادگیری تقویتی: مفاهیم پایه
• 21. عامل ها و محیط ها
• 22. پاداش ها و حالت ها
• 23. سیاست ها و تابع ارزش
• 24. یادگیری Q
• 25. یادگیری عمقی Q (DQN)
• 26. مقدمه ای بر ریسک های سرایت
• 27. انواع ریسک های سرایت: مالی، بهداشتی، اجتماعی، سایبری
• 28. مدل های سنتی کشف ریسک سرایت
• 29. محدودیت های مدل های سنتی
• 30. اهمیت یادگیری ماشین در کشف ریسک سرایت
• 31. کاربرد یادگیری ماشین در شناسایی الگوهای سرایت
• 32. پیش بینی زمان و مکان سرایت
• 33. شناسایی عوامل مؤثر بر سرایت
• 34. تحلیل شبکه های اجتماعی برای کشف سرایت
• 35. کاربرد یادگیری ماشین در مدل سازی انتشار بیماری
• 36. تشخیص زودهنگام شیوع بیماری
• 37. پیش بینی روند بیماری
• 38. مدیریت منابع در بحران های بهداشتی
• 39. کاربرد یادگیری ماشین در کشف ریسک های مالی
• 40. شناسایی تقلب های مالی
• 41. پیش بینی ورشکستگی موسسات مالی
• 42. تحلیل اخبار و رسانه ها برای ریسک های مالی
• 43. کاربرد یادگیری ماشین در کشف ریسک های سایبری
• 44. شناسایی حملات سایبری
• 45. پیش بینی نقاط ضعف امنیتی
• 46. تحلیل رفتار کاربران برای جلوگیری از تهدیدات
• 47. کاربرد یادگیری ماشین در کشف ریسک های اجتماعی
• 48. شناسایی انتشار اخبار جعلی
• 49. پیش بینی اعتراضات و ناآرامی ها
• 50. تحلیل احساسات جامعه
• 51. جمع آوری و پیش پردازش داده ها
• 52. ویژگی های داده ها برای مدل های یادگیری ماشین
• 53. مهندسی ویژگی برای داده های ریسک سرایت
• 54. اعتبارسنجی مدل ها
• 55. معیارهای ارزیابی مدل های پیش بینی
• 56. معیارهای ارزیابی مدل های طبقه بندی
• 57. معیارهای ارزیابی مدل های خوشه بندی
• 58. عیب یابی و بهبود مدل ها
• 59. تفسیرپذیری مدل های یادگیری ماشین
• 60. مدل های قابل تفسیر: درخت تصمیم، رگرسیون خطی
• 61. محدودیت های تفسیرپذیری مدل های پیچیده
• 62. اخلاق در یادگیری ماشین و کشف ریسک
• 63. سوگیری در داده ها و مدل ها
• 64. عدالت و انصاف در الگوریتم ها
• 65. حریم خصوصی داده ها
• 66. داده های بزرگ و چالش های آن
• 67. پردازش زبان طبیعی (NLP) برای تحلیل متن
• 68. مدل های زبانی
• 69. استخراج اطلاعات از متن
• 70. تحلیل سری های زمانی
• 71. مدل های ARIMA
• 72. مدل های LSTM برای سری های زمانی
• 73. کاربرد در تحلیل داده های حجمی
• 74. مقیاس پذیری الگوریتم ها
• 75. پردازش موازی و توزیع شده
• 76. یادگیری انتقالی (Transfer Learning)
• 77. یادگیری فدرال (Federated Learning)
• 78. کاربرد در سیستم های هشدار اولیه
• 79. طراحی سیستم های هشدار زودهنگام
• 80. تست و ارزیابی سیستم های هشدار
• 81. موارد مطالعاتی: بیماری سارس
• 82. موارد مطالعاتی: بحران مالی ۲۰۰۸
• 83. موارد مطالعاتی: حملات سایبری اخیر
• 84. موارد مطالعاتی: انتشار اخبار جعلی در انتخابات
• 85. ملاحظات پیاده سازی مدل ها
• 86. انتخاب ابزارها و فریمورک ها
• 87. استقرار مدل ها در محیط واقعی
• 88. نظارت و نگهداری مدل ها
• 89. تکنیک های کاهش داده های نامتعادل
• 90. کاربرد یادگیری ماشین در تحلیل شبکه های پیچیده
• 91. شناسایی گره های کلیدی
• 92. پیش بینی پویایی شبکه
• 93. ادغام منابع داده ای متنوع
• 94. چالش های داده های پراکنده
• 95. رویکردهای یادگیری ماشین برای داده های ناقص
• 96. اهمیت دانش دامنه (Domain Knowledge)
• 97. همکاری بین متخصصان یادگیری ماشین و متخصصان دامنه
• 98. آینده یادگیری ماشین در کشف ریسک سرایت
• 99. روندهای نوظهور
• 100. فرصت های پژوهشی