اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی رگرسیون در یادگیری ماشین نظارت‌شده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی رگرسیون در یادگیری ماشین نظارت‌شده

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری نظارت‌شده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین نظارت‌شده
• 2. مفاهیم کلیدی رگرسیون
• 3. انواع مسائل رگرسیون
• 4. مجموعه داده‌ها در رگرسیون
• 5. پیش‌پردازش داده‌ها برای رگرسیون
• 6. پاکسازی داده‌ها
• 7. مقیاس‌بندی داده‌ها
• 8. رمزگذاری متغیرهای طبقه‌ای
• 9. مهندسی ویژگی
• 10. انتخاب ویژگی
• 11. رگرسیون خطی ساده
• 12. مدل رگرسیون خطی چندگانه
• 13. مفروضات رگرسیون خطی
• 14. تشخیص و رفع هم‌خطی
• 15. مدل‌سازی تعاملات
• 16. رگرسیون چندجمله‌ای
• 17. تنظیم مدل رگرسیون خطی
• 18. تنظیم مدل رگرسیون خطی با استفاده از منظم‌سازی
• 19. مقدمه‌ای بر منظم‌سازی
• 20. منظم‌سازی L1 (لَسو)
• 21. منظم‌سازی L2 (ریج)
• 22. الاستیک نت
• 23. تنظیم ابرپارامترها
• 24. اعتبارسنجی متقابل
• 25. اعتبارسنجی K-fold
• 26. اعتبارسنجی متقابل برای تنظیم ابرپارامترها
• 27. ارزیابی مدل‌های رگرسیون
• 28. معیارهای ارزیابی رگرسیون
• 29. خطای میانگین مربعات (MSE)
• 30. ریشه خطای میانگین مربعات (RMSE)
• 31. خطای میانگین قدر مطلق (MAE)
• 32. ضریب تعیین (R-squared)
• 33. تنظیم مدل و جلوگیری از بیش‌برازش
• 34. بیش‌برازش و کم‌برازش
• 35. روش‌های جلوگیری از بیش‌برازش
• 36. تنظیم مدل بهینه
• 37. رگرسیون بردار پشتیبان (SVR)
• 38. هسته‌های SVR
• 39. تنظیم پارامترهای SVR
• 40. درختان تصمیم برای رگرسیون
• 41. نحوه ساخت درخت تصمیم
• 42. تنظیم عمق درخت تصمیم
• 43. جنگل‌های تصادفی برای رگرسیون
• 44. نحوه ساخت جنگل تصادفی
• 45. تنظیم پارامترهای جنگل تصادفی
• 46. تقویت گرادیان برای رگرسیون
• 47. الگوریتم گرادیان بوستینگ
• 48. تنظیم پارامترهای گرادیان بوستینگ
• 49. مدل‌های ترکیبی (Ensemble Models)
• 50. مفهوم مدل‌های ترکیبی
• 51. ترکیب مدل‌های رگرسیون
• 52. مدل‌های خطی تعمیم‌یافته (GLM)
• 53. معرفی GLM
• 54. مدل‌های GLM رایج
• 55. انتخاب مدل مناسب
• 56. ملاحظات عملی در رگرسیون
• 57. مدیریت داده‌های پرت
• 58. شناسایی و مدیریت داده‌های پرت
• 59. تفسیر نتایج رگرسیون
• 60. ارائه نتایج مدل
• 61. محدودیت‌های مدل‌های رگرسیون
• 62. رگرسیون در کاربردهای واقعی
• 63. پیش‌بینی قیمت مسکن
• 64. پیش‌بینی فروش
• 65. پیش‌بینی عملکرد مالی
• 66. رگرسیون در تحلیل سری‌های زمانی
• 67. مقدمه‌ای بر سری‌های زمانی
• 68. مدل‌های رگرسیون برای سری‌های زمانی
• 69. رگرسیون لجستیک (برای طبقه‌بندی، اما اشاره به مفاهیم مرتبط)
• 70. مقدمه‌ای بر طبقه‌بندی
• 71. رگرسیون لجستیک به عنوان یک مدل پایه
• 72. ملاحظات مربوط به توزیع داده‌ها
• 73. چولگی و کشیدگی داده‌ها
• 74. تأثیر توزیع بر مدل
• 75. رگرسیون با متغیرهای وابسته گسسته (اشاره به مفاهیم)
• 76. رگرسیون پواسون
• 77. رگرسیون منفی دوجمله‌ای
• 78. ارزیابی مدل‌های پیشرفته رگرسیون
• 79. اعتبارسنجی مدل در دنیای واقعی
• 80. استقرار مدل‌های رگرسیون
• 81. پیاده‌سازی مدل در محیط عملیاتی
• 82. نگهداری و به‌روزرسانی مدل
• 83. ملاحظات اخلاقی در رگرسیون
• 84. سوگیری در داده‌ها و مدل‌ها
• 85. شفافیت و توضیح‌پذیری مدل
• 86. آینده رگرسیون در یادگیری ماشین
• 87. روندهای جدید در رگرسیون
• 88. کاربرد رگرسیون در هوش مصنوعی مولد
• 89. مباحث پیشرفته در رگرسیون
• 90. رگرسیون وزنی
• 91. رگرسیون با داده‌های پرت زیاد
• 92. رگرسیون چندسطحی
• 93. رگرسیون غیرخطی پیشرفته
• 94. یادگیری عمیق برای رگرسیون
• 95. شبکه‌های عصبی برای رگرسیون
• 96. استفاده از CNN برای رگرسیون
• 97. استفاده از RNN برای رگرسیون
• 98. رگرسیون با استفاده از ترنسفورمرها
• 99. جمع‌بندی و مرور کلی مفاهیم رگرسیون
• 100. مروری بر مدل‌های آموخته‌شده